Ulfc117349 - TM - Sara - Ramos 2 PDF

UNIVERSIDADE DE LISBOA
FACULDADE DE CIÊNCIAS
DEPARTAMENTO DE ENGENHARIA GEOGRÁFICA, GEOFÍSICA E ENERGIA
Inspeção Visual Assistida de Paramentos de Barragens de

Betão
Mestrado em Engenharia Geográfica
Sara Raquel Chantre Ramos
Dissertação orientada por:

Prof. Dra. Ana Navarro Ferreira e Engª. Ana Fonseca
2015
Inspeção Visual Assistida de Paramentos de Barragens de Betão
Resumo
Este trabalho apresenta um estudo de aplicação de técnicas de Processamento Digital de
Imagem (PDI) à inspeção visual de obras de engenharia, neste caso particular, o paramento da
barragem do Covão do Meio na Serra da Estrela. A Inspeção Visual Assistida (IVisA) é um
método de monitorização da evolução destas baseado num levantamento fotográfico e na
aplicação de algoritmos de PDI. As técnicas de PDI utilizadas neste estudo contribuíram para
efetuar uma avaliação da evolução entre duas campanhas e desenvolver uma solução automática
de deteção, identificação e quantificação das diferentes patologias encontradas, bem como um
método para a sua monitorização ao longo do tempo. O estudo consistiu no processamento e
classificação de várias imagens com duas escalas diferentes: cobertura geral do paramento e
cobertura de detalhe de algumas fissuras. O processamento consistiu numa correção geométrica
das imagens referentes à segunda campanha de observação de modo a corregistá-las
relativamente às imagens da campanha de referência e posteriormente o reconhecimento de
padrões comuns, bem como a sua classificação utilizando o método de classificação orientada
por objetos (OBIA - Object Based Image Analysis) que permite uma identificação mais intuitiva
do que a classificação convencional pixel a pixel. Para isso foi utilizado a aplicação eCognition
que realiza uma segmentação e classificação orientada por objetos em imagens numéricas. No
que diz respeito à classificação das imagens das fissuras, foram testados dois métodos de
classificação de modo a analisar os produtos resultantes. Os resultados obtidos, ao nível do
paramento e das fissuras, foram comparados com os obtidos para a data de referência de forma a
identificar as alterações ocorridas entre as duas épocas. Com os métodos propostos e testados é
possível identificar todas as patologias presentes em ambas as coberturas analisadas,
concluindo-se que a IVisA é uma metodologia extremamente útil para inspecionar obras de
engenharia.
PALAVRAS-CHAVE: Processamento Digital de Imagem, Classificação orientada por

objetos, Fissuras, Inspeção Visual Assistida
ii
iii
Abstract
This paper presents a study of the application of digital image processing (DIP) techniques for
the visual inspection of civil engineering works, in this particular case the wall of the dam
Covão do Meio in Serra da Estrela. Assisted Visual Inspection (AVisI) is a method for
monitoring the evolution of pathologies based on a photo survey and on DPI algorithms. The
DPI techniques were used in this study to assess the evolution of different pathlogies between
two campaigns and to develop an automatic solution for the detection, the identification and the
quantification of the observed pathologies, as well as a method for monitoring them over time.
This study consisted in the processing and classifying multiple images with two different scales:
overall coverage of the dam and detailed coverage of some cracks. The processing consisted in
the geometric correction of the second observation campaign images, to assign the same metrics
as the one of the reference campaign images, and then in the recognition of common patterns, as
well as their classification using an object oriented classification (OBIA - Object Based Image
Analysis) that allows a more intuitive identification way in opposition to the conventional pixel
based classification. For this purpose, the eCognition software, which performs a digital image
segmentation followed by an object based classification of those, was used. The results of this
campaign were compared with the results of the reference campaign in order to identify changes
between years. For the dam fissures classification, two different classification methods were
tested to analyze the resulting products. Both results obtained for the second campaign (dam
parapet walls and fissures) were compared with the ones of the reference campaign in order to
identify changes between the two epochs. With the proposed and tested methods it is possible to
identify several pathologies and cracks present both in the overall and detailed coverage, and
also to conclud that the AVisI is an extremely useful methodology for the inspection and
monotoring of civil engineering works.
KEYWORDS: Digital Image Processing, Object Based Image Analysis, Cracks,

Assisted Visual Inspection
iv
v
Agradecimentos
Gostava de poder agradecer ao Laboratório Nacional de Engenharia Civil, por terem aberto as
suas portas com grande profissionalismo e com uma grande entreajuda, que proporcionaram a
realização desta dissertação. Não posso deixar de mencionar a Engª Ana Fonseca que me
facultou este tema extremamente importante, agradecer a sua disponibilidade, bem como a
grande boa disposição como explicava os conhecimentos. Um grande agradecimento à Engª
Dora Roque que sempre teve presente nas altura cruciais do trabalho e pela paciência que teve
ao longo dos meses no LNEC, dando um grande apoio e vontade para eu chegar a um resultado.
Agradecer à minha colega de gabinete Ângela Barbosa que foi uma ajuda durante a realização
deste trabalho.
À Professora Ana Navarro, agradeço a sua orientação e especialmente a deslocação ao LNEC

para que em conjunto pudéssemos encontrar soluções para alguns problemas que foram
encontrados. Agradeço a tolerância que teve com algumas dúvidas minhas, sempre com um
grande profissionalismo.
Aos meus colegas do curso de Engenharia Geográfica que sempre tiveram presentes nas alturas
em que só pensava em desistir, mas com o apoio deles encontrei sempre soluções ao problemas
encontrados. Um grande obrigada por estes anos magníficos com grandes histórias para contar.
Às minhas amigas que sempre me mantiveram com um bom humor ao longo destes meses de
trabalho, quero agradecer por tudo o que fizeram por mim nestes anos universitários.
À minha família que me apoiou incondicionalmente neste duro percurso, que me ajudou dia-a-
dia. À minha Mãe que todos os dias me perguntava como ia o trabalho e se interessava
genuinamente e me deu muito carinho, conselhos e motivação todos os dias. Ao meu Pai que
sempre se disponibilizou para ter conversas extremamente educativas acerca de tudo na vida,
que fez com que visse os assuntos de outra perspectiva. Ao meu irmão que se tornou num
companheiro para toda a minha vida e me deu muito apoio, estando sempre presente e
proporcionando grandes momentos de alegria. Muito obrigada, este trabalho é um pouco vosso!
O meu profundo e sentido agradecimento a todas as pessoas que contribuíram de qualquer

forma para a concretização desta dissertação, obrigada!
vi
vii
Índice
1. Introdução ................................................................................. 1
1.1. Enquadramento.................................................................................................. 1
1.2. Objetivo .................................................................................................................. 2
1.3. Estrutura da Dissertação ................................................................................ 3
2. Estado da Arte .......................................................................... 4
3. Conceitos teóricos ..................................................................... 8
3.1. Inspeção Visual Assistida ............................................................................... 8
3.2. Análise de Imagens Orientada por Objetos ............................................ 9
3.3. Análise por Componentes Principais ..................................................... 11
3.4. Validação de Resultados .............................................................................. 11
4. Descrição do Trabalho ........................................................... 13
4.1. Área de Estudo ................................................................................................. 13
4.2. Dados e Aplicações Informáticas Utilizadas........................................ 14
4.2.1. Fotografias da Cobertura Geral do Paramento ............................................. 14
4.2.2. Fotografias de Detalhe do Paramento ........................................................... 16
4.2.3. Aplicações Informáticas Utilizadas ............................................................. 17
4.3. Processamento Geométrico ....................................................................... 18
4.3.1. Cobertura Geral ............................................................................................ 18
4.3.2. Cobertura de Detalhe .................................................................................... 21
4.4. Processamento Radiométrico ................................................................... 24
4.4.1 – Funções de classificação ............................................................................ 24
4.4.2 – Processamento radiométrico da cobertura geral ......................................... 28
4.4.3 – Processamento radiométrico da cobertura de detalhe: primeiro método ... 32
4.4.4 – Processamento radiométrico da cobertura de detalhe: segundo método ... 39
5. Resultados e Discussão .......................................................... 43
5.1. Processamento Geométrico ....................................................................... 43
5.2. Processamento Radiométrico ................................................................... 45
5.2.1 – Resultados do Processamento radiométrico da cobertura geral ................. 45
5.2.2 – Resultados do primeiro método do processamento radiométrico da
cobertura de detalhe ................................................................................................ 53
5.2.3 – Resultados do segundo método do processamento radiométrico da
cobertura de detalhe ................................................................................................ 60
6. Conclusões ............................................................................... 65
6.1. Conclusões Finais ........................................................................................... 65
6.2. Perspetivas Futuras ....................................................................................... 67
Referencias Bibliográficas ......................................................... 69
Anexos ......................................................................................... 73
viii
Índice De Tabelas
Tabela 5.1 – Número de pontos de controlo utilizados .................................................. 43
Tabela 5.2 – Matriz de Contingência da classificação da cobertura geral (época de
referência) ....................................................................................................................... 51
Tabela 5.3 – Matriz de Contingência da classificação da cobertura geral (época 1) ..... 52
Tabela 5.4 – Validação de resultados para os mosaicos de cobertura geral ................... 52
Tabela 5.5 – Matriz de Contingência da classificação fissura presente na margem direita
(1º método) ..................................................................................................................... 58
Tabela 5.6 – Matriz de Contingência da classificação fissura presente na margem
esquerda (1º método) ...................................................................................................... 59
Tabela 5.7– Matriz de Contingência da classificação fissura presente no reservatório de
água................................................................................................................................. 59
Tabela 5.8 – Validação de resultados do primeiro método para as imagens de detalhe 60
Tabela 5.9 – Matriz de Contingência da classificação fissura presente na margem direita
(2º método) ..................................................................................................................... 63
Tabela 5.10 – Matriz de Contingência da classificação fissura presente na margem
esquerda (2º método) ...................................................................................................... 63
Tabela 5.11 – Validação de resultados do segundo método para as imagens de detalhe 64
ix
Índice De Figuras
Figura 3.1 - Diagrama da multi segmentação (adaptado de manual do eCognition

(2012)) ............................................................................................................................ 10
Figura 4.1 - Localização da Barragem de Covão do Meio, adaptada de Bing Maps) .... 13
Figura 4.2 - Barragem Covão do Meio (imagem tirada de CNPGB, 2015) ................... 14
Figura 4.3 - Fotografias da cobertura geral do paramento da barragem......................... 15
Figura 4.4 - Molduras das Fissuras em estudo (dimensões A3 e A4 respetivamente) ... 16
Figura 4.5 - Fissura localizada num reservatório de água .............................................. 17
Figura 4.6 - Pontos de controlo posicionados no paramento .......................................... 19
Figura 4.7 - Mosaico construído com o conjunto de 6 fotografias ................................. 20
Figura 4.8 - Corte da imagem da fissura no encontro da margem direita ...................... 22
Figura 4.9 - Corte da imagem da fissura no encontro da margem esquerda .................. 22
Figura 4.10 - Corte da fissura do reservatório de água ................................................... 23
Figura 4.11 - Fronteira Interna (retirado de Trimble eCognition® Developer 8.8, 2012)
........................................................................................................................................ 25
Figura 4.12 - Fronteira externa (retirado de Trimble eCognition® Developer 8.8, 2012)
........................................................................................................................................ 26
Figura 4.13 - Direções que GLCM aplica (retirado de Trimble eCognition® Developer
8.8, 2012) ........................................................................................................................ 27
Figura 4.14 - Projeto para classificar objetos presentes no paramento: a laranja encontra-
se classificado o paramento da barragem, a verde os Carbonáto de Cálcio e a vermelho
as Infiltrações (época 1) .................................................................................................. 30
Figura 4.15 - Classe auxiliar (a roxo) de classificação do paramento (época 1) ........... 31
Figura 4.16 - Esquema ilustrativo do procedimento realizado para a classificação dos
objetos em falta............................................................................................................... 31
Figura 4.17 - Ilustração da segmentação da fissura no encontro da margem esquerda .. 32
Figura 4.18 - Ilustração da função de classificação brilho ............................................. 33
Figura 4.19 - Ilustração da função de classificação logaritmo do brilho ........................ 33
Figura 4.20 - Valores de cada função para cada objecto escolhido ................................ 34
Figura 4.21 - Resultado da ACP realizada na aplicação MATLAB ............................... 35
Figura 4.22 - Função PCA_normalizada para a fissura do encontro da margem esquerda
........................................................................................................................................ 36
Figura 4.23 - Imagem binária do esqueleto da fissura do encontro da margem esquerda
........................................................................................................................................ 37
Figura 4.24 - Função PCA_normalizada para a fissura do encontro da margem direita 38
Figura 4.25 - Imagem binária do esqueleto da fissura da margem direita...................... 38
Figura 4.26 - FunçãoPCA_normalizada para o reservatório de água ............................. 38
Figura 4.27 - Imagem binária do esqueleto da fissura do reservatório de água ............. 39
Figura 4.28 - Imagem das diferenças da fissura do encontro da margem esquerda ....... 39
Figura 4.29 - Imagem das diferenças da fissura do encontro da margem direita ........... 40
Figura 4.30 - Imagem das diferenças da fissura do encontro da margem esquerda ....... 41
Figura 5.1 – Imagem com a localização dos pontos de controlo para a fissura do
encontro da margem direita (cruzes vermelhas:pontos de controlo, bolas azuis: pontos
de validação) ................................................................................................................... 44
Figura 5.2 - Pontos de validação utilizados para a fissura do encontro da margem
esquerda .......................................................................................................................... 45
Figura 5.3 - Projeto para isolar o paramento (época 1) .................................................. 45
x
Figura 5.4 - Classificação dos objetos presentes no paramento: a laranja encontra-se

classificado o paramento da barragem, a verde os Carbonáto de Cálcio e a vermelho as
Infiltrações (época 1) ...................................................................................................... 46
Figura 5.5 - Projeto final para classificar objetos presentes no paramento .................... 47
Figura 5.6 - Classificação final editada (época 1) .......................................................... 47
Figura 5.7 - Zoom da Classificação final editada (época 1) ........................................... 48
Figura 5.8 - Projeto para isolar o paramento (época de referência) ............................... 49
Figura 5.9 - Projeto de classificação de patologias: a laranja encontra-se classificado o
paramento da barragem, a verde os Carbonáto de Cálcio e a vermelho as Infiltrações
(época de referência) ...................................................................................................... 50
Figura 5.10 - Classificação final editada (época de referência) ..................................... 50
Figura 5.11 - Zoom Classificação final editada (época de referência) ........................... 51
Figura 5.12 - Interseção do esqueleto com a classificação da fissura do encontro da
margem esquerda ............................................................................................................ 53
Figura 5.13 - Classificação Final da fissura da margem esquerda com o primeiro método
........................................................................................................................................ 54
Figura 5.14 - Medição da evolução da fissura do encontro da margem esquerda; época
de referência (esquerda) e época 1 (direita).................................................................... 55
Figura 5.15 - Interseção do esqueleto com a classificação ............................................. 55
Figura 5.16 - Classificação final da fissura do encontro da margem direita, com o
primeiro método ............................................................................................................. 56
Figura 5.17 - Medição da evolução da fissura do encontro da margem direita; época de
referência (esquerda) e época 1 (direita) ........................................................................ 56
Figura 5.18 - Interseção do esqueleto com a classificação ............................................. 57
Figura 5.19 - Classificação final da fissura do reservatório de água com o primeiro
método ............................................................................................................................ 57
Figura 5.20 - Medição da evolução da fissura do Seixal ................................................ 58
Figura 5.21 - Objetos captados com a função de classificação distância ....................... 61
Figura 5.22 - Imagem a classificação final da fissura do encontro com a margem
esquerda; zoom da classificação ..................................................................................... 61
Figura 5.23 - Fissura da margem direita isolada com o algoritmo do segundo método . 62
Figura 5.24 - Imagem a classificação final da fissura do encontro com a margem direita
........................................................................................................................................ 62
xi
Lista de Acrónimos:
LNEC- Laboratório Nacional de Engenharia Civil
PDI - Processamento Digital de Imagem
IVisA - Inspeção Visual Assistida
EMQ - Erro Médio Quadrático
ACP - Análise por Componentes Principais
OBIA - Object Based Image Analysis
ETRS89 – European Terrestrial Reference System 1989
xii
1. Introdução
1.1. Enquadramento
O betão é o material mais usado em todas as construções da civilização moderna. O facto de

este não ser volumetricamente estável causa o aparecimento de fissuras que podem provocar
problemas indesejados e a deterioração da estrutura, o que poderá obrigar a intervenções de
consolidação (Chen et al.,2011).
O Laboratório Nacional de Engenharia Civil (LNEC) faz investigação no âmbito do controlo de

segurança de grandes barragens de betão, designadamente: caracterização das propriedades
estruturais das obras, das suas funções, dos maciços rochosos em que se inserem, bem como das
principais ações que atuam sobre elas; estudo do comportamento das barragens, por intermédio
de modelos; monitorização do comportamento das obras em construção e exploração. O estudo
do comportamento das barragens com vista à avaliação das suas condições de segurança e de
funcionalidade é, na realidade, indispensável − quer nas fases de elaboração dos projetos e de
construção das obras , quer após a construção, durante o primeiro enchimento das albufeiras e
ao longo da sua exploração (LNEC,2015).
A Inspeção Visual Assistida (IVisA) de paramentos de barragens é um método não destrutivo de

monitorização da saúde estrutural da obra. O principal objetivo deste tipo de monitorização é o
desenvolvimento de uma solução automática de deteção, identificação e quantificação de danos,
assim como a sua monitorização ao longo do tempo (Chen e Tara, 2010). Neste tipo de inspeção
são utilizadas imagens numéricas e geradas representações digitais do paramento, sobre as quais
se realiza a quantificação do dano. Nestas imagens podem ser detetadas, localizadas,
classificadas e quantificadas anomalias, sendo possível atingir um ou mais destes objetivos em
função dos métodos de aquisição e processamento de imagem adotados (LNEC 2011).
As condições de aquisição das imagens condicionam o tipo de produtos que é possível produzir
assim como a sua qualidade. O registo das condições geométricas da câmara fotográfica no
momento da aquisição das fotografias do paramento da barragem é crítico para o processo. Essa
informação é necessária para permitir corregistar imagens multitemporais e para lhes associar
uma métrica de modo a realizar medições sobre elas.
A metodologia proposta pelo LNEC para a inspeção visual de paramentos de barragens permite
localizar todas as patologias importantes para o controlo da obra, bem como a evolução ao
longo do tempo, de forma a dispor de uma ferramenta de monitorização que seja aplicável para
as épocas que se seguem.
1
1.2. Objetivo
O objetivo do estudo realizado é avaliar a capacidade do método IVisA para monitorizar

patologias em obras de engenharia, levando a cabo o procedimento de um 2ª campanha de
monitorização e comparação com a época de referência.
Neste trabalho, o método da IVisA foi aplicado a fotografias digitais de paramentos de

barragens de betão, tendo como objeto de estudo a barragem do Covão do Meio, em Seia. Foi
utilizadas uma cobertura fotográfica geral do paramento de jusante e coberturas de detalhe de
fissuras selecionadas. Foi feito um estudo comparativo dos resultados obtidos no processamento
geométrico e na classificação de fotografias da campanha de aquisição de outubro de 2011,
época de referência (época 0) e os resultados de uma segunda campanha realizada em julho de
2013 (época 1), através de métodos de processamento digital de imagem (PDI). O objetivo é
efetuar uma avaliação da evolução das patologias entre as duas épocas, usando técnicas de
deteção de alterações (change detection) (LNEC,2012a). As patologias mais frequentes são as
fissuras e os repasses.
De modo a testar a aplicabilidade do algoritmo foi testado um dos métodos de classificação a

uma imagem de uma estrutura que apresentava uma tipologia diferente da parede da barragem:
um reservatório de água. Como apenas havia reportagem fotográfica de uma época, foi aplicado
à sua campanha de referência.
A largura das fissuras, visto o estado em que a fissura se encontra contribuir muito para a
necessidade de a monitorizar, foi considerada tendo sido definidos, pelo LNEC três intervalos
que permitem classificar a largura das fissuras: de 0 a 0,2 mm, de 0,2 mm a 2,0 mm e superiores
a 2,0 mm (LNEC, 2011).
As patologias são caraterizadas pela localização, orientação, extensão, idade, estado, existência
e tipo de depósitos (LNEC, 2011). As metodologias desenvolvidas poderão ser adaptadas à
inspeção de outros órgãos da barragem tais como encontros, parte emersa do paramento de
montante, galerias, maciços de fundação, encostas a montante e a jusante da barragem, (e as
estruturas dos órgãos de segurança e exploração (LNEC, 2012b).
2
1.3. Estrutura da Dissertação
Esta dissertação está organizada em 6 capítulos, divididos em vários subcapítulos.
No primeiro capítulo é descrito o âmbito da dissertação e o enquadramento do estudo. É

também apresentado o objetivo do trabalho realizado.
No segundo capítulo é exposto o estado da arte e os métodos que têm sido utilizados em estudos
semelhantes.
No terceiro capítulo são referidos alguns conceitos teóricos relativos à Inspecção Visual
Assistida, por ser a principal área de estudo, à classificação orientada por objetos por ter sido o
método de classificação utilizado no decorrer do trabalho, à análise por componentes principais,
que foi essencial para a criação de uma nova função de classificação e por fim, à validação de
resultados.
O quarto capítulo apresenta a descrição do trabalho, a área de estudo, como os dados foram
tratados e quais as aplicações informáticas utilizadas.
No quinto capítulo são apresentados os resultados do processamento geométrico utilizado, bem

como o processamento radiométrico realizado. São expostos os métodos usados e os resultados
finais da classificação orientada por objetos.
No sexto e último capítulo são apresentadas as conclusões do trabalho, bem como as perspetivas
futuras acerca do assunto aprofundado.
Na parte final da dissertação encontram-se as referências bibliográficas que contêm referências

de documentos escritos e sítios da internet utilizados na realização deste trabalho. São, ainda,
apresentados anexos com tabelas que apresentam informação auxiliar referente ao estudo
desenvolvido.
3
2. Estado da Arte
As barragens de gravidade são construídas em betão, pois têm a estabilidade assegurada pelo
próprio peso, o que faz com que a maioria dos construtores prefira este tipo de material. Os
técnicos envolvidos na segurança deste tipo de infraestruturas construídas em betão armado,
enfrentam a tarefa de avaliar as fissuras que aparecem na estrutura, para em seguida discuti-las
com o dono da obra. O dono da obra pode estar preocupado com a aparência, durabilidade a
longo prazo, ou a integridade estrutural da barragem. Por isso é de grande importância
desenvolver métodos para que se consiga verificar e monitorizar as fissuras ao longo do tempo.
Douglas (1990) descreve métodos de medição de fissuras que permitem determinar o aumento
destas ao longo do tempo, com uma precisão de 0,02 milímetros, com um mínimo de abertura
de 0,05 mm, sendo possível decidir se a fissura é nova ou não.
Doihara e Hirono (1992) descrevem um protótipo de um sistema computacional de deteção e

medição de fissuras que reconhece o comprimento e a largura das fissursa, o qual foi
desenvolvido com a finalidade de avaliação da deterioração de estruturas de betão. As imagens
são processadas com um único filtro espacial para a deteção da fissura e desta forma é possível
detetar futuras zonas problemáticas para poder repará-las.
Para a delimitação de fissuras foram também adaptados algoritmos sofisticados baseados na

teoria da vizinhança, como o algoritmo de Aglomeração Evolutiva Variável (Manifold
Distances). Neste método Gong et al.(2008) utilizam métricas não euclidianas para calcular a
proximidade de píxeis da imagem, aglutinando-os em objetos homogéneos. Desta forma, píxeis
próximos entre si podem pertencer ao mesmo aglomerado que píxeis situados a distâncias
maiores. Esta propriedade torna o algoritmo mais apropriado para a segmentação de imagens
onde estejam representados aglomerados com formas complexas, do que um algoritmo de
segmentação que seja baseado na distância euclidiana.
Outro método para delinear fissuras consiste na utilização de um modelo de Contornos Ativos
Baseado em Curvas de Nível (Chen e Hutchinson, 2010). O contorno da fissura é a curva de
nível mínima de uma função de energia. A curva de nível mínima é calculada a partir de um
conjunto de curvas de nível iniciais, que são adaptadas à fissura por um método iterativo em que
se comparam os níveis de intensidade radiométricos da imagem, dentro e fora das curvas.
Apenas quando a curva de nível coincide com a fronteira da fissura, a função de energia
apresenta o seu valor mínimo, sendo esse o critério de paragem (Chan e Vese, 2001). Este
método permite desta forma distinguir o fundo e a fissura.
4
Para se poder identificar fissuras numa obra de modo automático quando realizada uma
inspeção não destrutiva da estrutura, é necessário remover diversos tipos de ruídos tais como as
condições de iluminação irregulares e as sombras ou manchas nas fotografias da estrutura.
Fujita et al.(2006) descrevem a forma de se poder fazer uma remoção desses ruídos com a
realização de dois pré-processamentos. Primeiro, é feita a deteção e remoção de pequenas
variações, tais como condições de iluminação irregulares, de modo a se obter uma imagem
suavizada pela subtração do resultado do pré-processamento com a imagem original. Em
segundo lugar, é usado um filtro de linha com base na matriz Hessiana, que se trata de uma
matriz permite calcular os máximos e mínimos da função, que é utilizado para enfatizar as
linhas das bordas das fissuras. Fujita et al. chegaram a conclusão que o método proposto é
eficaz para detetar estas patologias em imagens digitais, sendo a limiarização usada a melhor
para separar fissuras de fundo.
Para se delimitarem as zonas mais problemáticas, Gordan et al. (2008) propôem uma ferramenta
de visão computacional para auxiliar os especialistas na geração de relatórios de vigilância
visuais, no que diz respeito à avaliação quantitativa e qualitativa da deterioração do betão. Para
a classificação das imagens é utilizada uma classificação não supervisionada fuzzy c-means com
posterior aplicação de um filtro Sobel para a sua avaliação. Na fase da avaliação é carregada
uma imagem juntamente com a sua informação da geometria Nh e Nv (linhas e colunas) e com
uma componente de treino é possível ser avaliada a imagem através de cores: verde não
deteriorado; amarelo ligeiramente deteriorado; laranja bastante deteriorado e vermelho muito
deteriorado.
Da mesma forma em Valença et al (2011) é apresentado um método desenvolvido em

laboratório para extrair as descontinuidades presentes na superfície, neste caso fissuras. O
método pressupõe a aquisição de fotografias, num período temporal pré-definido, de uma
superfície que está a sofrer a ação de forças de compressão. O método desenvolvido inclui as
seguintes etapas principais: (1) a marcação no laboratório de uma grelha regular de alvos
circulares na superfície em estudo; (2) a determinação da resolução espacial de cada pixel e das
coordenadas de cada alvo, em qualquer fase temporal do ensaio; (3) a avaliação do campo de
deformação correspondente, permitindo a identificação das áreas onde a extensão principal
máxima excede a resistência do betão e o cálculo da direção aproximada das fissuras; (4) o
processamento da imagem de forma automática e exclusivamente nas regiões críticas; e (5) a
eliminação, através de morfologia matemática, das imperfeições superficiais não lineares.
Yamaguchi e Hashimoto (2009) propõem um método automático de deteção de fissuras de

forma a lidar com a influência da iluminação não uniforme, onde executam uma interpolação
linear utilizando uma imagem binária da fissura detetada, e a imagem original para obter uma
5
imagem de fundo. A correção de sombreado é então realizada por meio da diferença entre a
imagem de fundo e a imagem original. De forma a detetar a fissura é utilizado o modelo físico
baseado no fenómeno natural da percolação por um líquido. O modelo de percolação é eficaz
para extrair aglomerados de píxeis correspondentes à fissura. Assim se o pixel pertencer à
fissura, a região de percolação cresce linearmente (monodirecional), enquando que se pertencer
ao fundo cresce para todos os lados (omnidirecional). De forma a poder realçar as bordas da
fissura é realizado um processo de dilatação, para que de seguida seja construída uma diferença
entre a imagem do fundo original e a imagem com a informação do brilho de cada pixel. A
construção do fundo é realizada por meio de interpolação linear da informação da imagem
original e da imagem binária depois da operação da dilatação. Depois é isolado o brilho da
fissura (que apresenta valores à volta de zero) e o brilho do fundo (255) para uma imagem
denominada de I. Em seguida é efetuada uma erosão da imagem I, sendo que o valor do brilho é
calculado através de um procedimento iterativo em que só finaliza quando a erosão terminar.
Posteriormente é realizada uma esqueletização da imagem, ou seja um adelgaçamento, de forma

a analisar os píxeis vizinhos. Desta forma o valor do pixel é adicionado ao pixel vizinho para se
visualizar se apresenta valor menor. Como as fissuras têm valores mais baixos que o fundo é
possível descobrir, através deste processo iterativo, o limiar fissura-fundo. Chen e Hutchinson
(2010) basearam-se também na medição de fissuras através do uso do método de esqueletização
para obter o centro do objeto, mas propôem em alternativa a aplicação de operadores, tais como
o de Canny, que utilizam de uma forma iterativa de encontrar regiões de interesse, que vão
convergindo até obter os contornos finais da fissura. Desta mesma forma obtêm-se o centro da
fissura e para calcular a sua largura utilizam-se com operações booleanas para extrair a distância
do centro da fissura e os seu respectivo ao limite.
Uma das grandes dificuldades na medição da largura das fissuras é a identificação das suas
bordas. Bruno et al.(2011) apresenta uma forma de realçar as bordas utilizando uma
metodologia que envolve uma combinação de um filtro de Canny e com a técnica watershed, a
fim de obter uma segmentação mais precisa da imagem. Esta técnica pressupõe uma análise do
histograma de forma a identificar os diferentes "picos" de intensidade de cada pixel para poder
definir um valor de limiar. Para obter os contornos utiliza-se o filtro de Canny para a obtenção
de uma imagem binária das fronteiras das regiões e de seguida utiliza-se o método watershed
que permite executar uma segmentação da imagem por interpretação dos valores dos píxeis
como altitude, fazendo uma representação tridimensional do resultado final. Para reconstruir o
contorno da borda de forma a poder obter o valor das distâncias aplica-se um operador
morfológico: distância booleana. Esta atribui a cada pixel um valor não nulo como função de
distância.
6
Zhang et al. (2014) fotografaram superfícies de túneis em que as regiões escuras locais com
defeitos que podem ser potenciais fissuras são segmentadas a partir das imagens originais em
escala de cinza utilizando técnicas de processamento morfológico de imagens e limiarizações.
No processo de extração dos limites das fissuras, apresentam um descritor de forma baseado na
análise do histograma que descreve eficazmente a diferença da forma espacial entre fissuras e
outros objetos irrelevantes. Em comparação com as imagens em escala de cinza originais, mais
de 90% do comprimento da fissura é preservado nas imagens binárias.
7
3. Conceitos teóricos
3.1. Inspeção Visual Assistida
Com o avanço tecnológico e a integração de sistemas, várias empresas procuram uma forma de
monitorização visual, em tempo real, de prevenir falhas e diminuir riscos, reduzindo
satisfatoriamente o tempo de determinadas etapas e ao mesmo tempo, aumentando a confiança
dos processos baseados em processamento digital de imagem. Estes processos têm sido cada vez
mais aplicados em diversas áreas, como por exemplo, a interpretação de fotografias aéreas, os
diagnósticos médicos e naturalmente na indústria. A inspeção da qualidade numa indústria
baseia-se na observação de um mesmo tipo de produto em conformidade com um padrão.
Considerando que na maioria das indústrias os produtos apresentam um elevado índice de
uniformidade, exige-se uma grande concentração por parte do operador classificador. A
monitorização automática destaca-se, principalmente, pela substituição do homem pela
máquina, visando compatibilizar as fases de produção e inspeção, face às elevadas taxas de
produção verificadas atualmente (Bueno et al., 2000). Um sistema de visão automático para
resolver este tipo de problemas industriais deve apresentar os seguintes requisitos: ter a
capacidade de detetar vários tipos de defeitos, ter em conta o tempo de execução e o custo
computacional, efetuar uma aquisição de imagens adequadas à resolução do problema e ter em
conta uma quantidade suficiente de amostras de cada tipo de defeito para ter (Martins, 2013).
Estes requisitos são alcançados com a construção de um sistema que forneça aos colaboradores
empresariais uma estratégica de análise visual, proporcionando um aumento da confiança na
operação realizada e reduzindo a necessidade de acesso à zona de construção para confirmação
da evolução da degradação (Bonfim e Bastos, 2012).
O LabImagem do Núcleo de Geodesia Aplicada do Departamento de Barragens de Betão do

LNEC tem desenvolvido estudos de aplicação de técnicas de inspeção visual assistida (IVisA)
em que se aplicam algoritmos de processamento digital de imagem a fotografias numéricas para
caracterizar e monitorizar patologias em obras de engenharia. A utilização desta técnica
processa-se em três fases: (1) a aquisição das imagens, (2) o seu processamento geométrico e (3)
a extração de informação relevante para a análise. Os objetos de estudo podem ser bastante
diversificados, tendo já sido aplicada a paramentos de barragens de betão, superfícies azulejadas
e escavações em encostas para a construção de barragens. Enquanto em alguns casos de estudo
se pretende realizar uma análise estática, como nas superfícies azulejadas, em que o objetivo é a
construção de um registo gráfico de danos para uma determinada época, noutras situações
pretende-se efetuar uma análise dinâmica, avaliando a evolução do fenómeno ao longo do
8
tempo. No caso dos paramentos de barragens e das encostas, o fenómeno evolui lentamente,
sendo suficiente adquirir imagens com uma frequência que vai desde a diária à anual. No
entanto, para determinados estudos em que o fenómeno se desenvolve rapidamente, a aquisição
de imagens tem de ser realizada com uma frequência elevada, sendo aconselhável, em alguns
casos, a utilização de câmaras de vídeo em vez de câmaras fotográficas (LNEC, 2013).
3.2. Análise de Imagens Orientada por Objetos
Existe uma necessidade cada vez maior de obter uma forma de classificação automática de
imagens obtidas quer por deteção remota, quer por fotogrametria aérea ou terrestre. A
classificação de imagens baseada em píxeis utiliza valores de informação digital espetrais
(Digital Numbers - DN) armazenados na imagem e classifica as imagens, considerando as
semelhanças espetrais com as classes pré-definidas (Casals-Carrasco et al., 2000).
O conceito de análise de imagens orientada por objectos (em inglês Object Based Image
Analysis - OBIA) como uma alternativa a uma análise baseada no pixel foi introduzido em
1970. A aplicação prática inicial era a automatização de extração de caraterísticas lineares. A
ideia de classificar objetos decorre do facto de que a maioria dos objetos presentes na imagem
apresentam propriedades, tais como a textura, que são negligenciadas em classificações
convencionais (Gao e Mas, 2006).
A classificação orientada por objetos trata-se de uma técnica utilizada para analisar imagens
digitais em alternativa à análise tradicional baseada na classificação pixel-a-pixel. Enquanto a
classificação pixel-a-pixel da imagem é apoiada na informação de cada pixel, a classificação
orientada por objetos é baseada na informação dos conjuntos de píxeis que formam os objetos
da imagem. Os píxeis vizinhos que são semelhantes entre si são agrupados em objetos com base
na cor, no tamanho, na forma e na textura.
A OBIA utiliza informação espetral, estrutural, contextual e do domínio espacial para a

classificação dos objetos. Na fase inicial de desenvolvimento da OBIA, os objetos gerados com
base em limites pré-definidos, e as classificações baseadas nesses objetos apresentaram
resultados com precisão superior, comparando com aqueles obtidos por métodos baseados na
análise pixel-a-pixel (Gao e Mas, 2006).
A classificação orientada por objetos é composta por 2 passos: (1) inicialmente é feita a
segmentação da imagem em objetos com base nas caraterísticas das classes que se pretende
9
identificar (fator de escala, forma e cor dos píxeis), (2) de seguida, explorando as propriedades
dos objetos obtidos, são identificadas funções de classificação, de forma a associar esses objetos
às respetivas classes.
A segmentação tem por base vários fatores relevantes que têm de ser considerados quando se
pretende realçar um dado conjunto de objetos, tais como o fator de escala, a cor e a forma
(Figura 3.1). No que diz respeito ao fator de escala este define qual o tamanho dos objectos
resultante, sendo que um fator de escala grande deixa a imagem com objectos de grande
tamanho. Atribuindo mais peso à cor, retira-se peso à forma (e vice-versa). O peso associado à
forma é distribuído de modo a que o objeto possa ser mais alongado (suavidade) ou compacto
(compacidade). No processo da segmentação é possível não se encontrar os fatores exatos para
que se obtenham os objetos delimitados da forma como o utilizador deseja. Para isso será
necessário realizar uma segmentação a um nível inferior, que realiza uma nova segmentação dos
objetos já segmentados, subdividindo-os recorrendo à utilização de um fator de escala mais
baixo. Da mesma forma que é possível subdividir objetos com uma segmentação a um nível
inferior, sendo possível agrupa-los em objetos diferentes com uma segmentação de nível
superior.
Figura 3.1 - Diagrama da multi segmentação (adaptado de manual do eCognition (2012))
10
3.3. Análise por Componentes Principais
A Análise por Componentes Principais (ACP) é uma técnica de análise exploratória de dados
que transforma um conjunto de variáveis correlacionadas num conjunto de variáveis
independentes, designadas por componentes principais. Desta forma, consegue-se simplificar os
dados através da redução do número de variáveis necessárias para os descrever, uma vez que
algumas das componentes principais constituem ruído para a aplicação em causa. As
componentes principais são combinações lineares das variáveis originais e podem ser utilizadas
como indicadores que resumem a informação disponível nas variáveis originais (Moreira,
2007).
A ACP é ótima para a eliminação da redundância na identificação de certos conjuntos e

variáveis. As componentes principais são calculadas a partir da matriz de correlação ou matriz
de variância/covariância. Sob o ponto de vista formal, fazer uma análise de componentes
principais consiste em realizar uma mudança da base do espaço vetorial do conjunto de dados.
Cada objeto (neste caso cada elemento), que era então representado num espaço N-dimensional
definido pelas N variáveis passa a ser representado por N componentes principais. Dado que as
primeiras componentes respondem pela maior parte da variância, podemos então simplificar o
número de componentes fazendo uma análise de qual a percentagem de informação relevante ,
diminuindo o número de componentes sem se ter uma perda significativa de informação (Lyra
et al, 2010).
3.4. Validação de Resultados
O produto obtido por meio de processamento digital de imagens pode variar em função da área
de estudo, da época em que foi adquirida a imagem e dos métodos utilizados para extrair
informação dessa imagem. O erro obtido nos resultados deste processamento é a diferença entre
o valor medido e o valor convencionalmente aceite como verdadeiro, sendo imprescindível
quantifica-lo, com o objetivo de aferir a qualidade do produto final.
Nesta validação é gerada uma amostra completamente aleatória de forma a se avaliar a

classificação que qualquer amostra encontrada. Este método permite que seja feita uma
verificação da classificação realizada para de seguida avaliar o que foi corretamente
classificado. Com estes valores é calculada a sua exatidão global bem como o indice kappa de
concordância da classificação realizada.
11
A exatidão global é a soma das unidades da amostra corretamente classificadas dividida pelo
número total de unidades da amostra. Este valor é a estatística mais usada na avaliação da
exatidão da classificação. As exatidões do produtor e do utilizador permitem avaliar as
exatidões individuais de cada classe, em vez de apenas da exatidão global da classificação. Para
avaliar a exatidão de um mapa temático são utilizados os métodos de análise estatística
multivariada discreta. Este métodos são utilizados para avaliar, ente outras propriedades, a
concordância entre distribuições estatísticas de variáveis que constituem os atributos de uma
população e que são alvos de uma classificação cruzada realizada sobre uma amostra dessa
população. Essa classificação cruzada gera uma tabela ou matriz de contingências que apresenta
as enumerações de todas as possíveis combinações de classificações temáticas. No que diz
respeito à atribuição dos elementos de imagem às classes temáticas podem cometer-se dois tipos
de erros: erro de omissão que consiste em não atribuir a uma classe um elemento de imagem
que efectivamente lhe pertence, ou um erro de comissão que consiste em atribuir a uma classe
um elemento de imagem que não lhe pertence. (Fonseca e Fernandes, 2004).
Por fim calcula-se o Índice Kappa, para avaliar a exatidão temática por ser mais sensível às
variações de erros de omissão e comissão. A sua grande vantagem é que para o seu cálculo não
se incluem somente os elementos da diagonal principal e sim todos os elementos da matriz de
contingência. No cálculo do índice Kappa é necessário a construção de um imagem que ilustra a
área de estudo, para que se possa fazer uma tabulação cruzada indicando a proporção de casos
presentes e/ou ausentes nos mapas: amostra classificada e o amostra real (Fórmula 3.1).
𝑛 𝑘𝑖=1 𝑛 𝑖𝑖 − 𝑘𝑖=1 𝑛 𝑖+ 𝑛 +𝑖 𝑇∗𝑆−𝑀

𝐾= 𝑜𝑢 𝐾 = (3.1)
𝑛2− 𝑘 𝑛 𝑛
𝑖=1 𝑖+ +𝑖 𝑇2 − 𝑀
onde, na primeira expressão n é a variável representada por T na segunda expressão e descreve

o total de amostras aleatórias analisadas, nii é o valor das diagonais fazendo com que a letra S da
segunda expressão descreva o somatório da diagonal da matriz de confusão gerada e M descreve
a multiplicação da soma dos valores das colunas com os valores das linhas (ni+ são os valores
das linhas e n+i os das colunas).
12
4. Descrição do Trabalho
4.1. Área de Estudo
A Barragem de Covão do Meio localiza-se no concelho de Seia do distrito da Guarda em

Portugal, tendo entrado em funcionamento em 1953 (Figura 4.1).
É uma barragem de betão com uma parte da estrutura em arco e outra de gravidade, possuindo
uma altura de 31,5 m acima da fundação (25 m dos quais acima do terreno natural), um
comprimento de coroamento de 300 m e um volume de betão de 9000 m3 (Figura 4.2). É uma
barragem que é utilizada como armazenamento de água que se desloca para uma barragem
vizinha que é utilizada como fonte de energia (CNPGB, 2015).
Figura 4.1 - Localização da Barragem de Covão do Meio, adaptada de Bing Maps)
13
Figura 4.2 - Barragem Covão do Meio (imagem tirada de CNPGB, 2015)
4.2. Dados e Aplicações Informáticas Utilizadas
4.2.1. Fotografias da Cobertura Geral do Paramento
Foram utilizadas fotografias adquiridas no dia 5 de julho de 2013 durante a tarde, com céu
limpo e com uma câmara digital Nikon modelo D200 existente no LabImagem do LNEC, que
pode ser utilizada com objetivas da marca Nikkor com diferentes distâncias focais. Para este
trabalho foi usada uma distância focal de 35 mm e a câmara foi estacionada num pilar da rede
de observação geodésica da barragem situado, aproximadamente, a 90 m do paramento. Cada
fotografia captada contém uma porção de paramento, tendo um especial cuidado para conseguir
aproximadamente a mesma percentagem de sobreposição em todas as fotografias (por volta de
70% de sobreposição). Na Figura 4.3 estão exemplificadas algumas fotografias obtidas
utilizando este procedimento.
14
Figura 4.3 - Fotografias da cobertura geral do paramento da barragem
A dimensão do pixel das imagens obtidas é calculada a partir dimensões do sensor. A radiação
eletromagnética que atravessa a objetiva é registada num sensor com 3872 píxeis x 2592 píxeis
correspondentes a 23,6 mm x 15,8 mm. Com estas medidas é possível calcular que esta
grandeza apresenta o valor de 0,0061 mm (LNEC, 2012b).
A dimensão do pixel à escala do objeto, para cada fotografia da cobertura geral, foi obtida
através da fórmula 4.1.
(4.1)
onde dist é a distância entre a câmara e o objeto, c é a distância focal da objetiva e pixel a
dimensão do pixel no sensor, que neste caso é de 0,006 mm.
15
4.2.2. Fotografias de Detalhe do Paramento
Para a identificação e monitorização de fissuras de forma mais detalhada, a resolução espacial

das fotografias da cobertura geral do paramento da barragem é insuficiente. Assim foram
monitorizadas duas fissuras próximas dos encontros com as margens que foram fotografadas
com o auxílio de um tripé posicionado a curta distância do paramento da barragem, tendo sido
registada a distância a que se estacionou o tripé. Através da utilização de um distanciómetro foi
possível medir a distância câmara-objeto. Esta medida revelou-se fundamental, visto ser
necessária para o cálculo da resolução de cada fotografia.
A fotografia do encontro da margem esquerda foi a primeira a ser registada, no dia 5 de julho de
2013 durante a manhã, por se encontrar completamente à sombra, tendo sido registada uma
distância câmara-objeto de 1,57 m. De seguida, procedeu-se ao registo da imagem da fissura
presente no encontro da margem direita esta estar totalmente exposta ao sol, a fim de evitar que
uma iluminação parcial da fissura, tendo sido posicionado o tripé a uma distância de 0,40m.
Para associar uma métrica à imagem, foram colocadas molduras à volta das fissuras em estudo
durante a aquisição das fotografias (Figura 4.4). Estas molduras foram construídas no LNEC e
apresentam pontos com coordenadas associadas, com distâncias entre si de 5mm (LNEC, 2012).
Figura 4.4- Molduras das Fissuras em estudo (dimensões A3 e A4 respetivamente)
Para poder confirmar o desempenho do algoritmo desenvolvido para o paramento de barragens,

foi utilizado um terceiro caso de estudo, bem comportado: uma fissura na parede de um
reservatório de água no Município do Seixal, em que o background tem pouco ruído (Figura
4.5).
16
Figura 4.5 - Fissura localizada num reservatório de água
A Tabela 1 do Anexo ilustra a distância focal de cada fotografia de detalhe, bem como a que
distância do paramento se obteve a fotografia, de forma a poder-se calcular a resolução espacial
de cada imagem.
4.2.3. Aplicações Informáticas Utilizadas

Para a realização deste estudo foram utilizadas as seguintes aplicações informáticas
proprietárias: Geomatica (Versão 10.3) ArcGIS (Versão 10.2), MATLAB (Versão 2013) e
eCognitionDeveloper 8.
A aplicação PCI Geomatica foi utilizada para criar, visualizar e manipular os mosaicos para a
cobertura geral da barragem, construídos com a totalidade das fotografias obtidas. Quanto à
aplicação ArcGIS, esta foi usada para efetuar a georreferenciação das imagens e a subtracção
das mesmas, para se poder se poder visualizar as diferenças entre épocas de fotografias e se
identificarem crescimentos de fissuras. A criação de imagens binárias, bem como a exportação
dos coeficientes das combinações lineares provenientes da ACP foi efetuado recorrendo à
aplicação MATLAB. Por último, a aplicação eCognitionDeveloper 8 permitiu realizar a
segmentação das imagens em objetos, aglutinando os píxeis em polígonos, em função de
critérios previamente estabelecidos e a posterior classificação desses polígonos.
17
4.3. Processamento Geométrico

O processamento geométrico nas suas linhas gerais foi realizado para ambas as coberturas
realizadas: geral e de detalhe.
Para as fotografias de cobertura geral, constitui na criação de um mosaico, ou seja, um imagem

única que cobra todo paramento da barragem, seguindo-se de um sobreposição desse mosaico
com o mosaico, já criado, da cobertura geral da época de referência. Este último passo é de
extrema importância visto que é essencial para a comparação entre épocas e, como tal, teria dese
realizar uma sobreposição que resultasse de um EMQ inferior à resolução da imagem.
Para a cobertura de detalhe o processamento geométrico foi constituído, inicialmente pelo corte
das imagens captadas, visto conterem fatores como sombras e irregularidades que não auxiliam
o estudo, seguido da sobreposição das imagens das duas épocas com o cuidado de obter um
EMQ inferior às respectivas resoluções das imagens.
4.3.1. Cobertura Geral
Após terem sido adquiridas as fotografias da cobertura geral do paramento da barragem, foi
realizado o processamento geométrico destas. Neste caso foram utilizadas para a construção de
um mosaico, ou seja, foi construída uma única imagem onde é visível todo o paramento. O
objetivo era o de ligar todas as fotografias, adquiridas com a mesma constante da câmara, a
partir do mesmo ponto de vista, de forma a obter um mosaico com a área do paramento da
barragem. Nesta fase foi usado um conjunto de 6 fotografias que abrangiam todo o paramento e
que apresentavam uma sobreposição longitudinal que rondava os 70% entre estas.
O algoritmo matemáticos adotado para a formação de mosaicos, tendo sido considerado que o
melhor para este estudo seria o modelo polinomial, visto que este modelo é o mais indicado para
utilizar com informação a duas dimensões (PCI Geomatics®,2009). Este modelo ajusta as
fotografias através de um polinómio, recorrendo à mediação de pontos comuns (pontos de
controlo) na imagem a corrigir geometricamente e numa fonte de informação de referência, tal
como, outra imagem ou um ficheiro vetorial (LNEC,2012b). Visto que não existe uma área
comum a todas as fotografias da cobertura, foi necessário dividir as imagens em dois lotes, de
modo a criar dois mosaicos mais pequenos com o fim de os juntar num mosaico final. Para a
correção geométrica de cada mosaico intermédio, foram utilizadas como referência imagens que
continham área comum com as restantes imagens do seu lote. Para a formação do mosaico final
foi considerado um dos mosaicos intermédios como referência. Foi considerado um número
mínimo 7 pontos comuns em cada par de imagens dado o número mínimo de pontos de controlo
18
necessários para se realizar o ajustamento com um polinómio de segundo grau é ser 6 (PCI
Geomatics®,2009). Sendo assim foram procurados diferentes pontos homólogos nas várias
fotografias, de modo a poder ligá-las (Figura 4.6).
Figura 4.6 - Pontos de controlo posicionados no paramento
O valor máximo de resíduos obtidos neste procedimento teria de ser inferior à dimensão do
pixel, calculado previamente, tendo sido verificado se esta condição era respeitada à medida que
se introduziam novos pontos.
Para a construção dos mosaicos foi considerada a informação radiométrica das zonas de
sobreposição entre imagens, de forma a não existirem descontinuidades na radiometria da
imagem final.
Como passo final, a junção das imagens num só mosaico foi realizada de forma manual, uma
vez que a ferramenta automática introduzia demasiadas descontinuidades radiométricas nas
imagens, sendo preciso um controlo mais rigoroso por parte do operador.
A Figura 4.7 ilustra o mosaico final, que apresenta uma resolução espacial de 15 mm.
19
Figura 4.7 - Mosaico construído com o conjunto de 6 fotografias
De seguida, foi realizado o corregisto do mosaico da época 1 relativamente ao mosaico

construído para a época de referência (outubro de 2011), com as fotografias adquiridas a partir
do mesmo pilar e com a mesma objetiva. O mosaico da época de referência fora previamente
corregistado com base num ficheiro vetorial do alçado da barragem, associado a um dado
sistema de coordenadas métrico, fornecido pelo Núcleo de Modelação e Mecânica das Rochas
do Departamento de Barragens de Betão do LNEC. Este corregisto do mosaico referente à
época em estudo foi realizado através da identificação de pontos homólogos nos dois mosaicos,
tendo sido utilizado o modelo matemático spline para se obter um ajuste final Este realiza uma
sobreposição eficiente, mas também tem o inconveniente de deformar a parte intermédia da
imagem que não se encontre preenchida com pontos, razão pela qual foi necessário utilizar um
elevado número de pontos (cerca de 60 pontos) .
O objetivo seria o de obter ter uma sobreposição do mosaico da segunda época com o da
primeira de forma a ficar com a mesma métrica e obter as alterações com rigor. A aplicação
ArcGis foi selecionada pois permite escolher vários modelos matemáticos, como o modelo
polinomial de primeiro, segundo e terceiro grau bem como o modelo spline utilizado para se
realizar a sobreposição dos mosaicos. Desta forma era marcado um ponto na primeira imagem
(a imagem a ser corregistada) e de seguida era identificado esse mesmo ponto na segunda
imagem.
De forma a verificar a qualidade do corregisto, selecionaram-se 18 pontos de validação

independentes dos de controlo e utilizou-se a equação 4.2 para determinar o erro médio
quadrático (EMQ):
2 2
( x época 0 − x época 1 + y época 0 − y época 1 )
EMQ = (4.2)
n−1
20
onde xépoca0 e y época0 são as coordenadas da imagem referentes à época de referência, xépoca1 e y
época1 à época 1 e n o número de pontos de validação escolhidos.
4.3.2. Cobertura de Detalhe
À semelhança do trabalho realizado para a cobertura geral, as fotografias da cobertura de

detalhe foram corregistadas com as fotografias adquiridas na campanha de referência, de modo
a realizar o estudo da evolução de cada fissura em relação à época de referência (outubro de
2011). Nesta fase tornou-se extremamente importante o facto de se associar um sistema de
coordenadas às fotografias, necessário para a medição das alterações verificadas nas patologias
entre as duas épocas.
De modo a verificar se a georreferenciação teria sido bem realizada foi feito um controlo de
qualidade. Este controlo foi realizado através de pontos de validação que foram identificados
em ambas as fotografias, sendo exportadas as correspondentes coordenadas imagem, de forma a
ser efetuado o cálculo do EMQ, através da Equação 4.2. Este processo foi repetido para as
restantes imagens de fissuras em estudo.
Após a obtenção de um corregisto das imagens com valor de EMQ abaixo da resolução da
imagem, foi realizada uma subtração entre as imagens das duas épocas, dando origem a uma
imagem de diferenças. Através dessa imagem de diferenças foi possível efectuar uma
comparação e visualização das alterações ocorridas na fissura. As várias fotografias relativas à
época de referência apresentavam sombras devido ao facto de terem sido obtidas em diferentes
alturas do dia e/ou em diferentes alturas do ano. Isto foi um dos graves entraves à realização do
trabalho, visto que perante esta situação foi preciso tomar uma decisão.
Perante os diferentes cenários, foi preciso fazer cortes nas fotografias de forma a obter uma zona
da fotografia sem sombra ou com pouco contraste. Na Figura 4.8 estão ilustradas as
modificações realizadas na fissura do encontro da margem direita.
21
Figura 4.8 - Corte da imagem da fissura no encontro da margem direita
No caso da fissura no encontro da margem esquerda foi localizada de uma zona que
apresentasse pouco ruído (Figura 4.9). Tal deveu-se ao facto de a zona do paramento onde se
encontra a fissura possuir uma larga variedade de tons escuros, o que dificultou a tarefa final de
isolar a patologia. A Figura 4.9 mostra o corte que foi feito.
Figura 4.9 - Corte da imagem da fissura no encontro da margem esquerda
22
Finalmente, a fissura do reservatório de água apresentava uma área escura presente no centro da
imagem. Como tal foi necessário cortar de modo a ficar apenas com uma zona que não
mostrasse a moldura mas apenas apresentasse a fissura (Figura 4.10).
Figura 4.10 – Corte da fissura do reservatório de água
Estes problemas foram anotados para serem tomados em conta numa futura campanha, de modo
a que se possa apenas georreferenciar as fotografias e de seguida correr o algoritmo.
Depois de ter sido realizado o corte nas diferentes fotografias, foi realizada uma diferença de
imagens de detalhe do paramento da barragem de forma a identificar zonas onde a fissura sofreu
alterações. Estas são as imagens que posteriormente foram utilizadas para o processamento
radiométrico.
23
4.4. Processamento Radiométrico

O objetivo final do processamento radiométrico realizado neste estudo é dispor de um algoritmo
de classificação automática de imagens do paramento da barragem que se possa aplicar em
diferentes épocas. Para isso, foi construído um algoritmo de classificação com base em OBIA.
O algoritmo é constituído por duas fases: uma segmentação orientada por objetos e uma
classificação destes em função do tipo de patologia. Para segmentar os mosaicos da cobertura
geral para as duas épocas foram realizadas segmentações com base em segmentações anteriores,
ou seja, após uma segmentação inicial procedeu-se a uma nova segmentação utilizando um
fator de escala diferente. Posteriormente, procedeu-se à classificação da cobertura fotográfica
geral da época de referência e da correspondente à época 1, adaptando os limiares das funções
de classificação (radiometria, forma, textura e relações de vizinhança entre objetos), em função
da radiometria de cada imagem, atribuíndo a cada objeto a uma dada classe pré-estabelecida
(tipo de patologia).
Na aplicação deste algoritmo às fotografias de detalhe foram utilizados dois métodos para
efectua a classificação: (1) um método que classifica os objetos com o auxílio de uma imagem
binária do esqueleto da fissura e (2) um método que utiliza a imagem da diferença entre épocas
para atualizar o contorno da fissura obtido para a época de referência.
4.4.1 – Funções de classificação
Para a realização do processamento radiométrico foi feito um trabalho de pesquisa para

encontrar as funções de classificação, existentes na aplicação eCognition, mais adequadas para
isolar tudo o que é necessário ser classificado. De seguida são apresentadas todas as variáveis
utilizadas com a sua respetiva utilidade, bem como a operação que realizam.
 Brilho: Esta função utiliza o quociente das o valor das N bandas da imagem e o seu número de
bandas (N) (Equação 4.3). A função pretende realçar os píxeis que são mais claros ou mais
escuros.
𝐿1 +𝐿2 +𝐿3
𝐵𝑟𝑖𝑙ℎ𝑜 = (4.3)
3
onde L1, L2 e L3 são as bandas que compõem a imagem analisada (neste caso de estudo N=3 -
L1= vermelho, L2= verde e L3= azul).
 Diferença Máxima: Calcula qual a máxima diferença entre as bandas em cada objeto. O valor
mínimo pertencente a um objeto é subtraído ao seu valor máximo. Para obter o valor máximo e
24
mínimo de todas as bandas pertencentes a um objeto, estas são comparadas. Posteriormente, o

resultado é dividido pelo brilho.
 Rácio (Banda 2) - Utiliza o rácio da banda 2 (Verde) por todas as bandas de forma a poder
realçar os píxeis que apresentam um nível esverdeado elevado (Equação 4.4). Utilizado para
realçar a vegetação presente à volta do paramento da barragem.
𝐿2
𝑅á𝑐𝑖𝑜𝐿2 = (4.4)
𝐿1 +𝐿2 +𝐿3
 Min-pix-value (Banda 2): O valor do pixel com o valor mínimo de intensidade na banda 2 do
objeto. Esta função foi essencial na procura de objetos mais escuros.
 Max-pix-value (Banda 2): O valor do pixel com o valor máximo de intensidade na banda 2 do
objeto. Esta função foi essencial na procura de objetos mais claros.
 Mean inner value (Banda 2): O valor de intensidade da camada média do pixel pertencente a
um objeto de imagem, que partilha a sua fronteira com outros objetos de imagem, formando
assim uma fronteira interna Foi utilizado para excluir objetos com a mesma fronteira. A Figura
4.11 ilustra como a aplicação realiza esse procedimento.
Figura 4.11 - Fronteira Interna (retirado de Trimble eCognition® Developer 8.8, 2012)
 Mean outter value( Banda 2): O valor médio de intensidade da camada de píxeis que não
pertençam a um objeto imagem de interesse, que partilha a sua fronteira, formando assim a
borda externa do objeto imagem. Foi utilizada para eliminação de ruído à volta da fissura. A
Figura 4.12 como a aplicação realiza esse procedimento.
25
Figura 4.12 – Fronteira externa (retirado de Trimble eCognition® Developer 8.8, 2012)
 Circular Mean (Banda 2) : Calcula a média de todos os píxeis dentro de um anel ao redor do
centro de um objeto de imagem. A espessura do círculo é definida por dois valores de raio
escolhido pelo utilizador (em píxeis). Esta função permitiu eliminar píxeis que se encontravam a
volta dos pretendidos com informação radiométrica não relevante, no caso das fissuras mais
claras.
 Hue, Saturation e Intensity (HSI Transformation): Trata-se de uma matriz de transformação de
RGB (vermelho, verde e azul) para HSI (tonalidade, saturação e intensidade). Cada uma destas
funções foi essencial para a separação ente os objetos do paramento e objetos fora do
paramento.
 Length-Width: Foi testada a função do quociente entre a largura e o comprimento, de forma a
captar os objetos que apresentassem a forma mais alongada.
 Asymmetry: Descreve o comprimento relativo de um objeto de imagem , em comparação com
um polígono regular. Esta função permitiu distinguir os objetos que eram idênticos entre si.
 Border-Index: Descreve como um objeto imagem é irregular ; quanto mais irregular , maior o
índice de fronteira. Esta função mostrou-se útil em situações em que o objeto não apresentava
uma única direção, tal como no caso das fissuras.
 Compacity: Descreve o quão um objeto é compacto. É semelhante ao Border Index, mas
baseia-se na área. A compacidade de um objeto de imagem é o produto do comprimento e da
largura, dividido pelo número de píxeis. Esta função ajudou na procura de objectos semelhantes.
 Density - Foi também utilizada a função da densidade que descreve a distribuição espacial dos
píxeis no objeto: quanto maior for o seu valor menos alongado será o objeto examinado.
 Distância Y: Cálculo da distância vertical (nos eixos das ordenadas). Esta função permite
excluir objectos que não se apresentem a um limiar introduzido de uma distância vertical.
26
As funções de classificação de textura são as que transmitem uma sensação táctil de uma
superfície.
Na aplicação informática eCognition® é possível utilizar texturas sob uma matriz de

coocorrência do nível de cinzentos (GLCM), que é uma tabulação de quantas vezes diferentes
combinações de níveis de cinza podem ocorrer num objeto. Existe uma matriz de coocorrência
diferente para cada relacionamento espacial. Para obter invariância direcional, a soma de todas
as quatro direções (0 °, 45 °, 90 °, 135 °) são calculadas antes da textura.
Um ângulo de 0 ° representa a direção vertical e um ângulo de 90 ° a direcção horizontal

(Figura 4.13). A textura segundo é calculada para todos os píxeis de um objeto de imagem, para
reduzir os efeitos de fronteira, ou seja, píxeis que fazem fronteira com o objeto da imagem, ou
seja píxeis adjacentes, a uma distância de 1, são adicionalmente tidos em conta (PCI
Geomatics®, 2012).
Figura 4.13 - Direções que GLCM aplica (retirado de Trimble eCognition® Developer 8.8, 2012)
 GLCM- Homogeneity: Avalia o nível de homogeneidade, ou seja, se os píxeis tem uma

radiometria única. Esta função é importante na separação entre o paramento e a patologia de
carbonato de cálcio nas fotografias da cobertura geral.
 GLCM-Contrast: Avalia a variabilidade local na imagem, a qual é utilizada para a detecção de
fissuras.
 GLCM-Entropy: Mede o nível de desordem local entre a radiometria dos píxeis, a qual é
utilizada para separar o paramento de tudo o resto.
 GLCM-Ang. 2nd Moment: O valor desta função é elevado se os objetos forem grandes e os
restantes à sua volta pequenos, sendo utilizada para separar o paramento de tudo à volta.
 GLCM-StdDev: Avalia a quantidade de dispersão entre radiometria dos píxeis, sendo utilizada
para a deteção de fissuras.
27
Para efeitos de teste também é possível utilizar a calculadora da aplicação para criar a
expressões aritméticas através do comando Create New Arithmetic, criando novas funções de
classificação.
 Logaritmo-Brilho: Foi aplicado um logaritmo da função brilho de modo a evidenciar os objetos

mais escuros em relação aos mais claros.
 Índice de Infiltração: Para a classificação de algumas das manchas de acumulação de
substâncias, doravante denominadas por Infiltrações, foi desenvolvido um índice radiométrico
(Equação 4.5), o qual apresenta valores elevados nas manchas mencionadas e depende dos
níveis radiométricos das imagens do vermelho, verde e azul (LNEC, 2012).
𝐿1 +𝐿2
Í𝑛𝑑𝑖𝑐𝑒 𝑑𝑒 𝐼𝑛𝑓𝑖𝑙𝑡𝑟𝑎çã𝑜 = (4.5)
𝐿1 +𝐿2 +𝐿3
 Segundo Índice de Infiltração: Também foi testada outra combinação em que se utilizaram as
bandas 2 e 3 (Equação 4.6).
L 2 +L 3
Í𝑛𝑑𝑖𝑐𝑒 𝑑𝑒 𝐼𝑛𝑓𝑖𝑙𝑡𝑟𝑎çã𝑜_2 = (4.6)
L 1 +L 2 +L 3
4.4.2 – Processamento radiométrico da cobertura geral
Ao importar a imagem para a aplicação informática eCognition®, foi possível visualizar várias
patologias como infiltrações e manchas de carbonato de cálcio no mosaico construído. Neste
caso o principal objetivo foi a deteção das patologias com dimensão maior que a resolução
espacial das fotografias utilizadas para a cobertura.
Foi realizada uma segmentação de forma a separar rocha e vegetação do resto do paramento,
com uma escala 100, onde se deu igual peso à cor e forma, mas mais peso à compacidade
(Segmentação 1: Tabela 2 do Anexo). Para agrupar os objetos que se encontravam demasiado
divididos, foram realizadas duas segmentações com fatores de escala superiores (Segmentação
2 e 3: Tabela 2 do Anexo). Desta forma foi possível encontrar um conjunto de objetos que,
juntamente com funções de textura e de radiometria, permitiram separar o paramento da
barragem.
Uma das limitações da aplicação eCognition®, provém do facto de esta aplicação apenas
conseguir realizar duas segmentações a partir da inicial. Deste modo o trabalho teve de ser
dividido em dois projetos: um que serviu para separar as rochas e vegetação da área do
28
paramento, e outro onde se realizou a classificação final desejada Ambos os projetos, o de isolar
o paramento e o de classificar as patologias, foram construídos para o mosaico da época 1, com
vista a aplicar os mesmos algoritmos para o mosaico da época de referência. Na Tabela 3 do
Anexo é possível visualizar as combinações realizadas para que se pudesse isolar o paramento
do resto do ambiente que se encontrava à volta da barragem.
Após ter sido isolado o paramento da barragem, este foi exportado para um ficheiro shapefile de
forma a poder ser inserido no segundo projeto realizado.
Neste segundo projeto foi importado o paramento para que a classificação fosse centrada nesta
área. Neste caso foram aplicadas várias segmentações com fator de escala inferior ao usado
anteriormente de forma a poder detetar os objetos menores que representam as patologias que se
pretende identificar (Segmentação 1,2 e 3: Tabela 4 do Anexo).
Foi utilizada uma escala inferior à das segmentações que já tinham sido realizadas para que
fosse possível detetar anomalias de pequena dimensão e foi atribuído um peso elevado à cor e à
suavidade, tendo em vista a deteção de objetos com uma forma pouco compacta, como são a
maioria das patologias visíveis nos mosaicos da cobertura geral (LNEC,2012).
O mesmo algoritmo foi aplicado aos mosaicos obtidos para a época de referência e para a época
1, tendo sido verificada a necessidade de adaptar os limiares das funções de classificação para
cada caso. Nas Tabelas 5, 6 e 7 do Anexo é possível visualizar os limiares utilizados para
classificar os mosaicos das duas épocas. As diferenças entre os valores, devem-se ao facto das
fotografias terem condições de luminosidade diferentes.
Na fase de identificação de patologias, a identificação e separação de quais os objetos que

correspondem ao paramento e aqueles que efetivamente equivalem às patologias revelou-se um
processo moroso. Devido à luminosidade heterogénea das imagens utilizadas, a cor do
paramento tanto apresenta cores claras, confundindo-se com a classe "Carbonato de Cálcio",
como apresenta cores acastanhadas, confundindo-se com a classe "Infiltrações". Como se pode
visualizar na Figura 4.14 não foi possível detetar todos os objetos pertencentes a estas duas as
classes.
29
Figura 4.14 – Projeto para classificar objetos presentes no paramento: a laranja encontra-se classificado o
paramento da barragem, a verde os Carbonáto de Cálcio e a vermelho as Infiltrações (época 1)
Deste modo, foram criadas duas classes auxiliares que, com um conjunto de funções de
classificação, auxiliram na classificação dos objetos restavam classificar. Isto foi possível
atravésda adiçãode uma função de classificação de distância que: classifica os objetos próximos
das classes; restringe apenas aos objetos que interessam; e por fim associa-os à repetiva classe.
Devido ao facto de haver confusão entre os objetos de "Carbonato de Cálcio" e os de
"Infiltração", todos os objetos classificados como "Carbonato de Cálcio Intermédio" e
"Infiltrações Intermédio" foram juntos numa só classe denominada de "Classe Auxiliar". A
Figura 4.15 ilustra o resultado que se obteve.
30
Figura 4.15– Classe auxiliar (a roxo) de classificação do paramento (época 1)
Desta forma com a ajuda da classe auxiliar foi possível aplicar uma restrição sob a classe para
saber quais os objetos que lhe pertencem (Esquema da Figura 4.16).
Carbonato de Infiltrações
Cálcio Intermédio Intermédio
Classe Auxiliar
RestriçãoCarbonato Restrição Infiltrações

de Cálcio
Carbonato de Infiltrações
Cálcio
Figura 4.16– Esquema ilustrativo do procedimento realizado para a classificação dos objetos em falta
As Tabelas 8 e 9 presentes no Anexo permitem esclarecer quais as restrições aplicadas. Foram

identificadas quais as funções de classificação que, após ter sido criada a classe Intermédia,
permitiam restringir os objetos que deveriam ser classificados como "Carbonato de Cálcio" e os
objetos que deveriam ser classificados como "Infiltrações" em ambas as épocas de estudo.
31
4.4.3 – Processamento radiométrico da cobertura de detalhe: primeiro método
Para o primeiro método foram usadas as fotografias das fissuras próximas dos encontros da
barragem com as margens e a da fissura no reservatório de água.
O algoritmo foi criado para a imagem de detalhe da fissura presente no encontro da margem
esquerda (Figura 4.17), tendo sido testadas e utilizadas as mesmas segmentações para as três
imagens e ajustados os limiares das funções de classificação da primeira imagem testada para as
duas restantes.
No eCognition®, foram testadas várias segmentações de forma a obter os objetos pertencentes à

fissura completamente separados dos objetos pertencentes ao paramento. Foi utilizado um valor
baixo de segmentação para obter uma segmentação fina.
Sendo a cor uma condição de destaque para a fissura, foi dada maior importância a este
parâmetro do que à forma, na segmentação.
Figura 4.17 – Ilustração da segmentação da fissura no encontro da margem esquerda
De seguida, foi feito um trabalho de procura da melhor função de classificação entre as já

existentes na aplicação eCognition® que identificasse apenas a fissura.
A função Brilho foi a que mais se adaptou a esta separação, mas não existia nenhum limiar desta
função que não detetasse demasiados objetos exteriores à fissura, o que dificultava a
classificação, como se pode visualizar na Figura 4.18.
32
Figura 4.18 – Ilustração da função de classificação brilho
Foi calculado o Logaritmo do Brilho para cada objecto, o qual permite uma boa separação entre
a fissura e o paramento, visto conseguir aclarar os objetos que não pertencem à fissura (Figura
4.19). Mas devido ao facto desta zona do paramento ser demasiado heterogénea e conter objetos
com radiometria muito próxima dos da fissura, o logaritmo também não auxiliou como seria
esperado.
Figura 4.19 – Ilustração da função de classificação logaritmo do brilho
Notou-se que para todas as imagens das fissuras, e não só nesta onde o paramento é mais
heterogéneo, não foi possível encontrar uma função ou uma conjução de funções que permitisse
isolar somente a fissura.
Perante este cenário, foram procuradas várias variáveis que conseguissem realçar os objetos
escuros pertencentes à fissura. Na teoria era necessário encontrar as variáveis que melhor
33
isolavam a fissura do paramento, sem muito ruído, para quando concatenadas numa função
permitissem apenas a classificação da fissura. Nesta procura foram encontradas 17 variáveis,
mas cada uma delas com o conflito de também classificarem o paramento. Na Tabela 10 do
Anexo são indicadas com os seus limiares que permitiram o melhor isolamento da fissura.
Posteriormente foram escolhidos objetos de treino que continham zonas do paramento, da

fissura e da zona de transição entre a fissura e o paramento, onde maioritariamente as variáveis
geram confusão, tendo sido registados os vários valores de cada função para cada objeto
escolhido (Figura 4.20).
Figura 4.20 - Valores de cada função para cada objecto escolhido
Estes valores foram registados de forma a criar a matriz de entrada do método das Componentes
Principais, como mencionado na secção 3.3. As linhas da matriz correspondem aos objetos
selecionados e as colunas aos valores das funções de classificação apresentados por estes.
A componente principal trata-se de uma combinação linear das variáveis introduzidas na ACP.
O que se pretende com esta abordagem é verificar se existe uma componente principal em que
os objetos das três classes consideradas (fissura, paramento e zonas de transição) fiquem
perfeitamente separadas. Ao serem analisadas as projeções dos objetos das diferentes
componentes principais verificou-se que a primeira componente principal permitia uma boa
separação das três classes.
Desta forma, foi exportado o vetor que continha os coeficientes da combinação linear
pertencente à primeira componente principal para ser construída uma nova função de
classificação correspondente a essa componente principal, tendo sido calculado o seu valor para
34
todos os objetos da imagem, possibilitando, assim, a separação de todos os objetos de fissura

dos do resto da imagem. Um dos fatores positivos desta nova função de classificação consiste na
sua aplicabilidade direta às restantes fotografias de fissuras, sendo apenas necessário o ajuste do
limar de corte. A Figura 4.21 mostra o gráfico resultante da ACP realizada na aplicação
MATLAB®.
Figura 4.21 – Resultado da ACP realizada na aplicação MATLAB

(cruzes a vermelho: fissura-OBJ são os objetos isolados da fissura, quase-fiss-OBJ são os objetos das
zonas de transição, OBJ-CONF são os objetos de paramento que fazem confusão com a fissura;
cruzes a azul: funções de classificação escolhidas e introduzidas na ACP)
Como se pode visualizar, a linha vermelha ilustra o limiar que separa os objectos da fissura dos
restantes.
Para a construção da nova função de classificação, foram calculadas as médias e os desvios

padrão de cada função (Var) de modo a calcular o valor normalizado de cada uma delas
(Equação 4.7):
𝑉𝑎𝑟 −𝑚𝑒𝑑𝑖𝑎 1
𝑉𝑎𝑟𝑁𝑜𝑟𝑚 = 𝑑𝑒𝑠𝑣 .𝑝𝑎𝑑𝑟 ã𝑜 ∗ (4.7)
𝑛−1
onde n é o número de funções utilizadas. Este valor é utilizado posteriormente para efetuar o
cálculo da componente principal normalizada final (Equação 4.8).
𝑃𝐶𝐴𝑁𝑜𝑟𝑚 = 𝑉𝑎𝑟𝑁𝑜𝑟𝑚 ∗ 𝑝𝑒𝑠𝑜 (4.8)
35
Esta função foi aplicada às três fissuras estudadas para se poder verificar se esta poderia ser
universal para todas as imagens adquiridas com as mesmas condições.
Figura 4.22 – Função PCA_normalizada para a fissura do encontro da margem esquerda
Como se pode ver na Figura 4.22, o algoritmo de classificação, apesar de otimizado, deu origem
a uma classificação com algum ruído, foi necessário ser desenvolvido um procedimento de pós
processamento para resolver o problema. Yamaguchi e Hashimoto (2009) sugeriram o cálculo
de uma imagem do esqueleto de uma fissura de modo a ser possível medir a sua largura. Para
eliminar o ruído foi gerada em uma imagem binária do esqueleto da fissura que, por interseção
com o resultado da classificação, permitiu identificar apenas os objetos classificados como
fissura, eliminando assim o ruído.
Desta forma foi adicionada ao projeto a imagem binária, de forma a intersetar com os
resultados da classificação para poder retirar apenas os objetos pertencentes à fissura (Figura
4.23). O algoritmo foi construído usando duas segmentações: uma para segmentar a imagem
que ilustra a fissura e outra efetuada a um nível inferior onde se considera a imagem do
esqueleto. Usando uma função que vai buscar os objetos da segmentação num nível inferior é
possível restringir a classificação da fissura apenas para os objetos da área desta fissura.
36
Figura 4.23 – Imagem binária do esqueleto da fissura do encontro da margem esquerda
Ao ambiente de trabalho foi adicionado o esqueleto para se proceder à extração da fissura. Foi
realizada uma segmentação a um nível inferior da que tinha sido realizada de maneira a apenas
ter como peso a imagem do esqueleto calculado. Com esta segmentação, foi realizada uma
operação de distância onde apenas se captavam os objetos que se encontravam na zona do
esqueleto. Esta operação funcionou como se tivesse sido feita uma interseção entre a imagem
classificada e a imagem do esqueleto.
Procedeu-se à aplicação do mesmo algoritmo para a fissura situada no encontro da margem

direita. Observou-se que, surpreendentemente, esta função se adequava melhor às restantes
fissuras, do que propriamente à fissura onde os objetos de treino foram retirados, logo a criação
desta nova função teve aplicação para as restantes fotografias de fissuras. Aplicando a função de
classificação criada é possível visualizar que, mesmo tendo sido utilizados objetos da fissura do
encontro da margem esquerda, a função é completamente ajustável às imagens das outras
fissuras, sendo apenas preciso alterar os limiares da função de forma a captar a totalidade do
objeto pretendido (Figura 4.24).
37
Figura 4.24 – Função PCA_normalizada para a fissura do encontro da margem direita
De seguida, foi gerada a imagem do esqueleto para se prosseguir com o algoritmo (Figura 4.25):
Figura 4.25 - Imagem binária do esqueleto da fissura da margem direita
A fissura presente no reservatório de água foi certamente a mais simples de se classificar, visto
o paramento, em que quase a sua totalidade ser branco e homogéneo. Esta caraterística torna
mais eficiente a classificação da fissura, que, em toda sua extensão apresenta cor escura. Desta
forma, a nova função de classificação foi adequada para a classificação da imagem da fissura.
Figura 4.26 – FunçãoPCA_normalizada para o reservatório de água
É possível visualizar na Figura 4.26 que a função ainda capta alguns objetos pertencentes ao
paramento, sendo necessário a criação da imagem binária do esqueleto da fissura (Figura 4.27).
A Tabela 11 do Anexo ilustra quais os parâmetros de segmentação utilizados neste método.
38
Figura 4.27 - Imagem binária do esqueleto da fissura do reservatório de água
4.4.4 – Processamento radiométrico da cobertura de detalhe: segundo método
Este método pressupõe que o utilizador tenha em sua posse o ficheiro vetorial (shapefile) da
delimitação da fissura em épocas anteriores ou as fotografias da época de referência de forma a
classificá-las com o método proposto na secção 4.4.3 para de seguida ser utilizado o método das
diferenças.
Este método apenas foi estudado nas fissuras da Barragem de Covão do Meio, pois só há uma
fotografia disponível para a fissura do Seixal, a qual corresponde à época de referência. É
realizada então a diferença radiométrica entre as fotografias das duas épocas de forma a
identificar o que foi modificado ao longo do tempo. Desta forma, será possível identificar a
localização das alterações, sendo possível encontrar o seu crescimento. Neste estudo, foi
calculado o módulo da diferença entre as duas épocas, onde cada imagem resultante apresenta
valores distintos de 0 nas zonas onde ocorreram alterações, como se pode observar nas Figuras
4.28 e 4.29.
Figura 4.28 – Imagem das diferenças da fissura do encontro da margem esquerda
39
Figura 4.29 – Imagem das diferenças da fissura do encontro da margem direita
Com esses ficheiros das diferenças radiométricas foi criado um algoritmo automático de
comparação que encontra as zonas onde a fissura sofreu modificações, sendo possível
quantificar o seu crescimento. Neste método, tal como no anterior, o algoritmo foi desenvolvido
para a imagem de detalhe do encontro da margem esquerda, sendo utilizada a mesma
segmentação para a fotografia do encontro da margem direita e adaptados os limiares das
funções de classificação.
Foi adicionada a imagem das diferenças ao projecto de geração do algoritmo de classificação,

que já continha a imagem original, de forma a poder segmentar os objetos dando mais
importância aos de cor clara, e também o ficheiro vetorial da fissura da primeira época, como se
pode visualizar na Figura 4.30. O objetivo é identificar todos os polígonos de alterações que se
encontrem a uma distancia mínima de 1 pixel, de modo a se poder atualizar o polígono da
primeira época com os polígonos da diferença e criar um polígono final da fissura da segunda
época.
40
Figura 4.30 – Imagem das diferenças da fissura do encontro da margem esquerda
Foi aplicada uma segmentação com fator de escala baixo para que fosse possível separar os
objetos que apresentavam alterações dos que não apresentavam. Na Tabela 12 do Anexo é
possível visualizar que o fator de escala apresenta um valor baixo, isto para que sejam isolados
objetos de tamanho pequeno.
41
42
5. Resultados e Discussão
5.1. Processamento Geométrico
Para as coberturas geral e de detalhe as diferenças obtidas entre as coordenadas das imagens da
época de referência e as coordenadas dos pontos das fotografias corregistadas com cada um dos
modelos foram utilizadas para determinar um valor de erro médio quadrático do corregisto para
cada caso, tendo sido verificado que o modelo spline conduz a um erro menor (LNEC,2012b).
Para a utilização deste modelo é necessária a medição de pelo menos 10 pontos de controlo
entre a imagem corregistada e a imagem de referência. Na Tabela 5.1 é apresentado o número
de pontos utilizados para cada fotografia.
Tabela 5.1 – Número de pontos de controlo utilizados
Fotografia Número de Pontos de

Controlo
Mosaico Geral 60
Detalhe Margem Direita 200
Detalhe Margem Esquerda 230
Este passo foi essencial para que as imagens ficassem totalmente sobrepostas. A Figura 5.1
ilustra o exemplo da fissura do encontro da margem direita onde se utilizaram 200 pontos de
controlo. Este elevado número de pontos de controlo, foi devido ao facto de não se ter
conseguido obter uma imagem que fosse sobreposta com a da época de referencia de forma a se
poder fazer medições entre épocas. Este facto foi verificado sempre que se calculava o erro
médio quadrático e se obtiam valores muito superiores à resolução da imagem.
43
Figura 5.1 – Imagem com a localização dos pontos de controlo para a fissura do encontro da
margem direita (cruzes vermelhas:pontos de controlo, bolas azuis: pontos de validação)
De seguida, de forma a verificar a qualidade do corregisto do mosaico da cobertura geral,

selecionaram-se 18 pontos de validação em ambos os ficheiros matriciais à custa dos quais se
determinou o erro médio quadrático com a Equação 4.2. Nas Tabelas 13 e 14 presentes no
Anexo é possível consultar a dimensão do pixel à escala do objeto, bem como o valor do EMQ
obtido.
O controlo de qualidade do mosaico de cobertura geral deu origem a um EMQ, que apesar de
não ser inferior à dimensão do pixel, apresenta à escala do objeto e para o dimensão do mosaico
um valor bastante aceitável. (Tabela 13 do Anexo). Ainda se ponderou a introdução de mais
pontos de controlo, mas rapidamente se abandonou a ideia visto que mais pontos só
deformavam a imagem.
Para as fotografias de detalhe, adotou-se também o critério dos 18 pontos de validação, como se
pode visualizar na Figura 5.2, dando origem a um EMQ com valores inferiores à resolução da
imagem (Tabela 14 do Anexo).
44
Figura 5.2 – Pontos de validação utilizados para a fissura do encontro da margem esquerda
5.2. Processamento Radiométrico

5.2.1 – Resultados do Processamento radiométrico da cobertura geral
Os dois algoritmos (identificação do paramento e classificação de patologias) foram

desenvolvidos para o mosaico da época em análise, visto ser o mosaico que apresenta mais
problemas e em seguida foram aplicados ao mosaico da época de referência. Como se pode ver
na Figura 5.3, é possível obter um resultado satisfatório com o algoritmo que separa o
paramento do envolvente.
Figura 5.3 – Projeto para isolar o paramento (época 1)
45
É possível verificar que o algoritmo ainda engloba um pouco do cenário envolvente,

nomeadamente as rochas. Isto deve-se ao facto da radiometria das rochas ser semelhante à do
paramento, o que faz com que as funções de classificação utilizadas abranjam essa parte na
classe paramento.
No segundo projeto foram utilizadas duas segmentações a um nível inferior da realizada

inicialmente, visto que o resultado final teria de ser a deteção de todas as patologias de
dimensão maior que a resolução espacial das fotografias.
Na fase de identificação de patologias, a identificação e separação de quais os objetos que

correspondem ao paramento e aqueles que efetivamente equivalem às patologias revelou-se um
processo moroso. Usando a metodologia descrita no 4.4.2, ilustrada na Figura 4.14 é possível
classificar a imagem com os objectos que não teriam sido classificados de forma correta.
A Figura 5.4 mostra como o algoritmo classificava antes desse procedimento e a Figura 5.5 após
essa tomada de decisão.
Figura 5.4 – Classificação dos objetos presentes no paramento: a laranja encontra-se classificado o
paramento da barragem, a verde os Carbonáto de Cálcio e a vermelho as Infiltrações (época 1)
46
Figura 5.5 – Projeto final para classificar objetos presentes no paramento
Como se pode visualizar na Fisura 5.5, o algoritmo identificou uma zona de rocha como
patologia. Este resultado foi editado de forma a excluir a zona de rocha e posteriormente ser
avaliada a qualidade da classificação. Nas Figuras 5.6 e 5.7 é possível visualizar o resultado
final após a edição manual.
Figura 5.6 – Classificação final editada (época 1)
47
Figura 5.7 – Zoom da Classificação final editada (época 1)
Para a validação de resultados foi feita uma comparação entre o resultado pré edição e pós
edição. Um dos principais problemas na aplicação do algoritmo para a individualização do
paramento aos mosaicos de épocas diferentes é o facto de as fotografias terem sido adquiridas
com diferentes condições de iluminação, tendo sido necessário ajustar os diversos limiares de
corte das funções, nomeadamente nas funções brilho e tonalidade conforme a Tabela 6 do
Anexo.
Como é possível verificar na Figura 5.8, o resultado para a época de referência engloba não só o
paramento, como uma zona de rocha, como sucede na época 1, pois este mosaico tem o mesmo
problema que o anterior, em termos de radiometria, mas apresenta mais luminosidade,
resultando no algoritmo abranger uma percentagem superior de ruído. Contudo, não foi possível
encontrar uma forma de retirar objetos exteriores ao paramento.
48
Figura 5.8 – Projeto para isolar o paramento (época de referência)
Perante este cenário, foi necessário, mais uma vez, efetuar uma edição manual dos resultados de
classificação da época de referência de modo a eliminar os polígonos onde o algoritmo para
isolar o paramento gerava confusão. De seguida realizou-se a classificação da imagem da época
de referência, utilizando os mesmos procedimentos realizados na época 1. A Figura 5.9 mostra o
resultado final da classificação.
49
Figura 5.9 – Projeto de classificação de patologias: a laranja encontra-se classificado o paramento da

barragem, a verde os Carbonáto de Cálcio e a vermelho as Infiltrações (época de referência)
Nas Figuras 5.10 e 5.11 são apresentados os resultados depois da edição do mosaico da época de
referência.
Figura 5.10 – Classificação final editada (época de referência)
50
Figura 5.11 – Zoom Classificação final editada (época de referência)
Para avaliar a fiabilidade dos métodos propostos foi realizada uma avaliação da qualidade dos
resultados da classificação/identificação das fissuras, à custa de uma matriz de confusão
paracada classificação. A matriz é construída à custa de amostras de objetos conhecidos (nas
colunas) que são comparados com a classe a que o algoritmo os atribuiu. Para a construção da
matriz foi preciso gerar um conjuntode polígonos aleatórios. Desta forma e consoante a "regra
de ouro" (Congalton,R. e Green,K., 2009) foram selecionadas um mínimo de 50 amostras para
as classes Infiltrações e Carbonato de Cálcio, mas para o paramento foi preciso aumentar este
número visto que as 50 amostras (polígonos) não cobriam toda a área de interesse. A partir da
matriz de confusão foram calculadas diversas medidas de qualidade como a exatidão do
produtor, exatidão do utilizador, erro de comissão e omissão e por fim, o coeficiente kappa de
concordância. As tabela 5.2 e 5.3 que se segue descrevem os resultados finais pertencentes à
validação de resultados dos mosaicos da cobertura geral das duas épocas de estudo,após a
edição manual.
Tabela 5.2 – Matriz de Contingência da classificação da cobertura geral (época de referência)
Carbonato de
Paramento Calcio Infiltracoes Total Exatidão utilizador (%)
Paramento 205 37 3 245 83,7
Carbonato de Calcio 10 49 0 59 83,1
Infiltracoes 10 0 35 45 77,8
Total 226 86 38 349
Exatidão produtor (%) 90,7 56,9 92,1
Exatidão Global (%) 82,8
51
Como se pode visualizar pela Tabela 5.2 é possível concluir o algoritmo apresenta um
desempenho bom, com uma precisão global de cerca de 83%. A nível de classes é possível
visualizar que a classe Infiltrações é a classe onde o algoritmo tem melhor desempenho.
Tabela 5.3 – Matriz de Contingência da classificação da cobertura geral (época 1)
Carbonato Total
Paramento de Calcio Infiltracoes Linha Exatidão utilizador (%)
Paramento 145 17 7 169 85,8
Carbonato de Calcio 17 45 2 64 70,3
Infiltracoes 4 0 40 44 90,9
Total 166 62 49 277
Exatidão produtor (%) 87,3 72,6 81,6
Exatidão global 83,1
Após a edição da classificação da época 1 é possível concluir que o algoritmo testado tem um
bom desempenho, tendo aproximadamente a mesma precisão global que a classificação da
época de referência (Tabela 5.3). É possível concluir, como na época de referência, que a classe
melhor classificada é a classe Infiltrações.
Tabela 5.4 – Validação de resultados para os mosaicos de cobertura geral
Imagem Exatidão Exatidão Exatidão Coeficiente

Produtor (%) Utilizador (%) Global (%) Kappa
Mosaico época 80,9 84,7 80,3 0,69

referência sem
edição
Mosaico época 79,9 81,5 82,8 0,65

referência com
edição
Mosaico 1ª época 82,5 84,1 82,9 0,74

sem Edição
Mosaico 1ª época 80,5 82,3 83,0 0,69

com Edição
52
Por fim é realizado o cálculo do índice kappa para se verificar qual das classificações, no geral,
teve melhor desempenho (Tabela 5.4). A análise das medidas de avaliação retiradas da matriz
de confusão permite concluir que quando se realiza a edição, de forma a obter apenas a
classificação das patologias, as exatidões de produtor, de utilizador, global e o coeficiente
kappa aumentam de valor, sendo que a classificação com melhor desempenho é a do mosaico da
1ª época com edição.
5.2.2 – Resultados do primeiro método do processamento radiométrico da

cobertura de detalhe
No primeiro método o uso de esqueleto é essencial para que seja possível detetar corretamente
os objetos de fissura,pois intersetando o ficheiro binário com o resultado da classificação é
possível eliminar uma grande parte do ruído.
Figura 5.12 – Interseção do esqueleto com a classificação da fissura do encontro da margem esquerda
Como se pode observar na Figura 5.12, foi isolada a parte relevante da fissura de forma a retirar
informação desta. Mesmo assim, e como se pode ver, ainda foi detetada uma grande quantidade
de ruído para a fissura do encontro da margem esquerda, o que torna este método pouco
adequado para este detalhe do paramento. Posteriormente os objetos foram unidos para se obter
uma fissura contínua, para de seguida serem exportados para formato vetorial. Para se poder
saber as suas caraterísticas, os objetos foram exportados com um conjunto de atributos anexado,
tais como a área (mm²), o comprimento (mm) e a largura (mm). A Figura 5.13 ilustra o
resultado final da classificação.
53
Figura 5.13 – Classificação Final da fissura da margem esquerda com o primeiro método
Verificou-se que o ficheiro vetorial não era coincidente com a imagem, o que se deveu ao facto
de ter sido obtido um EMQ muito próximo da dimensão do pixel no corregisto de imagens,
deixando alguma margem para erro.
Mesmo assim, foi possível efetuar a medição da evolução da fissura, por exemplo na sua zona
intermédia, notando-se um aumento de aproximadamente 2,5 mm como se pode ver na Figura
5.14. De notar que o ficheiro vetorial da época de referência foi fornecido para efeitos de
comparação.
54
Figura 5.14 – Medição da evolução da fissura do encontro da margem esquerda; época de referência
(esquerda) e época 1 (direita)
Procedeu-se à aplicação do mesmo método à imagem da fissura do encontro da margem direita

depois de ser gerada a imagem do esqueleto para se prosseguir com o mesmo algoritmo
originado. A Figura 5.15 ilustra como a imagem binária do esqueleto foi uma grande ajuda para
isolar apenas a fissura.
Figura 5.15 – Interseção do esqueleto com a classificação
A Figura 5.16 mostra a classificação final da fissura da margem direita com o primeiro método.
Para a sua exportação seguiu-se o mesmo procedimento onde os objetos foram unidos e
exportados para o formato vetorial.
55
Figura 5.16 – Classificação final da fissura do encontro da margem direita, com o primeiro método
Para se poder saber as suas caraterísticas, os objetos foram igualmente exportados com um
mesmo conjunto de atributos referidos anteriormente, ou seja a área (mm²), o comprimento
(mm) e a largura (mm). Com este ficheiro final o utilizador consegue, através da ferramenta de
medição, saber o valor da largura da fissura. Com esse valor será possível tirar ilações de quanto
a fissura em estudo aumentou ao longo do tempo. Para esta análise também foi fornecido um
ficheiro vetorial que contém a fissura da época de referência. Assim, foi possível efetuar a
medição da evolução da fissura do encontro da margem direita, por exemplo na sua zona
intermédia, notando-se um aumento de aproximadamente 0,8 mm como se pode visualizar na
Figura 5.17.
Figura 5.17 – Medição da evolução da fissura do encontro da margem direita; época de referência
(esquerda) e época 1 (direita)
A fissura do reservatório de água foi a mais fácil de isolar quase nem sendo preciso o uso do
ficheiro binário do esqueleto. Mas como a função de classificação criada ainda capta alguns
objetos pertencentes ao paramento, nomeadamente píxeis escuros do relevo do paramento, foi
necessária a criação da imagem binária do esqueleto da fissura (Figura 5.18). Por isso, a junção
56
da imagem binária do esqueleto fez toda a diferença, sendo capaz de isolar apenas a fissura em
causa.
Figura 5.18 – Interseção do esqueleto com a classificação
Seguindo o mesmo procedimento dos restantes casos de estudo foi possível isolar a zona
pertencente à fissura na classe respetiva, como se pode ver na Figura 5.19.
Figura 5.19 – Classificação final da fissura do reservatório de água com o primeiro método
Foram exportadas as mesmas características para um ficheiro como realizado para as restantes
fissura, sendo então possível medir a sua largura, como é apresentado na Figura 5.20.
57
Figura 5.20 – Medição da evolução da fissura do Seixal
Como se pode ver, este método apenas teve resultados satisfatórios nas duas últimas fissuras, tal
deveu-se ao facto de na zona onde se encontra a fissura do encontro da margem esquerda o
paramento ter um grande nível de variedade de cores e formas, o que faz com que não haja uma
forma automática de encontrar apenas a fissura.
Para efetuar uma análise das classificações realizadas foi construída a matriz de confusão de
modo a visualizar a exatidão destas.
Tabela 5.5 – Matriz de Contingência da classificação fissura presente na margem direita (1º método)
Exactidão
Paramento Fissura Total utilizador (%)
Paramento 97 3 100 97
Fissura 3 27 30 90
Total 100 30 130
Exactidão produtor (%) 97 90
É possível visualizar, pela Tabela 5.5, que o desempenho deste algoritmo é muito bom,
refletindo-se na sua precisão global de aproximadamente 95%. Entre as duas classes catalogadas
é possível concluir que ambas foram classificadas com a mesma exatidão.
58
Tabela 5.6 – Matriz de Contingência da classificação fissura presente na margem esquerda (1º método)
Exatidão
Paramento 96 3 99 96,9
Fissura 15 15 30 50
Total 111 18 129
Exatidão produtor (%) 86,5 83,3
A Tabela 5.6 permite tirar uma conclusão que já se tinha tirado apenas olhando para o resultado
da classificação: o algoritmo de classificação do 1º método apresenta um desempenho razoável
para a fissura presente na margem esquerda. É possível visualizar que de 30 objetos escolhido
aleatóriamente apenas metade foi classificado como fissura. Facto que é justificado com a
presença de muito ruído à volta da fissura que se confunde com esta. Em termos de exatidão
global conclui-se que, no geral, o algoritmo tem um desempenho bom.
Tabela 5.7– Matriz de Contingência da classificação fissura presente no reservatório de água
Exatidão
Paramento 100 4 104 96,2
Fissura 4 26 30 86,7
Total 104 30 134
Exatidão produtor (%) 96,2 86,7
Na última fissura classificada pelo algoritmo construído pelo primeiro método é possível
concluir que teve um desempenho muito bom com uma exatidão global de 94% (Tabela 5.7).
No que diz respeito à avaliação individual das duas classes era previsivel que o algoritmo
classificasse de uma boa forma, visto que a fissura sobressai em relação ao paramento.
Calculando os respectivos índices kappa para o primeiro método, a imagem com melhor
classificação é a imagem de detalhe do encontro da margem direita, como se pode observar na
Tabela 5.8. Este facto é evidenciado pelo seu índice kappa ser o que apresenta o valor mais
elevado.
59
Tabela 5.8 – Validação de resultados do primeiro método para as imagens de detalhe
Imagem ExatidãoProdutor Exatidão Exatidão Coeficiente

(%) Utilizador (%) Global (%) Kappa
Detalhe do encontro 93,5 93,5 95,4 0,87

da margem direita - 1º
método

da margem esquerda -
1º método
Detalhe Depósito em 91,4 91,4 94,0 0,83

Seixal
5.2.3 – Resultados do segundo método do processamento radiométrico da

cobertura de detalhe
Com uma função de distância presente é possível encontrar todos os polígonos a uma distância
de 1 pixel do polígono da fissura da época de referência, para os quais é possível que a fissura se
tenha propagado. É segmentada a imagem das diferenças, e sob essa segmentação é aplicada a
função de classificação Brilho para ser possível restringir os objetos encontrados à volta da
fissura que possivelmente pertencem ao crescimento entre épocas, pois sabe-se que os objetos
mais claros correspondem à diferença entre épocas. Deste modo esses polígonos são isolados
para uma classe DIF_FIS, que trata das diferenças captadas à volta da fissura da época de
referência, como se pode observar na Figura 5.21.
60
Figura 5.21 – Objetos captados com a função de classificação distância
Para se poder fazer a comparação entre épocas foi realizada uma fusão entre o polígono da
época de referência e os polígonos da diferença pertencentes ao crescimento da fissura, de
forma a se obter um polígono final da fissura da época 1. A Figura 5.22 ilustra o ficheiro
vetorial final que foi exportado de forma a se poder verificar o crescimento. Tomou-se a decisão
de incluir os restantes objetos numa classe chamada paramento.
Figura 5.22 – Imagem a classificação final da fissura do encontro com a margem esquerda; zoom da
classificação
O mesmo procedimento foi realizado para a fissura do encontro da margem direita. Aplicando o
algoritmo é necessário ajustar os limiares anteriormente utilizados devido à diferença de
homogeneidade e de luminosidade do paramento naquela zona. Como é possível ver na Figura
5.23, mesmo com um limiar restrito, muitos objetos são captados ao longo da fotografia.
61
Isto também se poderá dever ao facto desta zona do paramento ter presente algumas sombras,
que resultam em diferenças em relação à imagem da primeira época.. Desta forma, repetiu-se o
procedimento da fissura do encontro da margem esquerda e aplicou-se a função de distância
para identificar os objetos que se encontravam à volta da fissura.
Figura 5.23 - Fissura da margem direita isolada com o algoritmo do segundo método
Ao aplicar a mesma técnica de distância ao ficheiro vetorial da época de referência para

selecionar os objetos à volta da fissura, foi possível juntar esses objetos num ficheiro final
contendo a delimitação da fissura para a época 1 (Figura 5.24).
Figura 5.24 – Imagem a classificação final da fissura do encontro com a margem direita
62
Para a verificação da qualidade da classificação, foram escolhidos entre 30 a 50 polígonos nas

imagens de detalhe, consoante a extensão da fissura.
A partir da matriz de confusão foram novamente calculadas diversas medidas de qualidade.
Pela Tabela 5.9 é possível tirar com ilação o facto que o desempenho do algoritmo ser
satisfatório, com cerca de 80% de exatidão global. Isto reflete-se no facto do algoritmo só ter
classificado a fissura de forma correta em 60% dos casos.
Tabela 5.9 – Matriz de Contingência da classificação fissura presente na margem direita (2º método)
Exatidão
Paramento 100 0 100 100
Fissura 12 18 30 60
Total 112 18 148
Exatidão produtor (%) 89,3 100
Quando à classificação da fissura presente na margem esquerda, é possível ver, pela Tabela 5.10
que o algoritmo foi mais eficaz que na fissura da margem direita, visto que obteve um exatidão
global de aproximadamente 93%. A nível de classificação da fissura, tem um desempenho bom
com cerca de 83% dos casos bem classificados.
Tabela 5.10 – Matriz de Contingência da classificação fissura presente na margem esquerda (2º método)
Exactidão
Paramento Fissura Total Linha utilizador (%)
Paramento 102 5 107 95,3
Fissura 5 25 30 83,3
Total Coluna 107 30 137
Exactidão produtor (%) 95,3 83,3
Por fim, foi calculado o coeficiente kappa de modo a comparar os dois casos. A análise das
medidas de avaliação retiradas da matriz de confusão permite concluir que a nível de exatidão
global a imagem da fissura da margem direita apresenta pior resultados, mas um coeficiente
superior que o caso da fissura da margem esquerda (Tabela 5.11).
63
Tabela 5.11 – Validação de resultados do segundo método para as imagens de detalhe
Imagem Exatidão Exatidão Exatidão Coeficiente

Produtor (%) Utilizador (%) Global (%) Kappa

da margem direita - 2º
método

da margem esquerda -
2º método
Comparando os dois métodos é possível visualizar que o primeiro método é mais eficar para a
imagem da fissura da margem direita e o segundo método para a imagem da fisura da margem
esquerda. Este facto é mais visível pois a imagem pertencente à fissura da margem esquerda
possuir muito ruído, tendo melhor performance o algoritmo que adiciona objetos da diferença.
Entre os dois métodos criados, o primeiro acaba por ser o que é mais adequado para estas
classificações, visto obter uma exatidão global de todas as imagens classificadas que ronda os
90%.
64
6. Conclusões
6.1. Conclusões Finais
A IVisA é um método de extrema utilidade para a monitorizar várias obras de engenharia civil,
visto que permite um controlo a nível milimétrico, como também elimina a necessidade de
eventual dano da obra.
Para que este trabalho seja realizado para épocas futuras é necessário uma correção geométrica
que seja bem realizada e abaixo da resolução da imagem. Isto porque uma das dificuldades
passou pelo facto de as fotografias não se encontrarem completamente sobrepostas, facto
evidenciado quando se exportou a classificação para o formato vetorial e se observou um ligeiro
desvio entre a imagem e a classificação.
Um dos pontos cruciais deste trabalho passou por garantir um corregisto rigoroso entre as
imagens para que fosse possível obter um bom resultado final. É possível ver nos Resultados
que foi necessário o uso de muitos pontos de controlo para se obterem mosaicos e imagens de
detalhe completamente sobrepostas. Conclui-se que esta metodologia poderá ser melhorada de
forma a não se utilizar menos pontos de controlo dos que foram utilizados e da mesma forma se
garantir uma boa correção geométrica para todos os produtos finais desejados.
A análise das medidas de avaliação retiradas da matriz de confusão, permite concluir que a
classificação dos mosaicos do paramento da barragem é menos eficiente do que a classificação
das imagens de detalhe, facto evidenciado pelos valores da exatidão do produtor e do utilizador
e pelo baixo valor do coeficiente kappa para o primeiro caso.
Da comparação entre os métodos de classificação adotados para as imagens de detalhe, é

possível concluir que o primeiro método classifica melhor a fissura presente na margem direita,
pois apresenta exatidão global e índice kappa superior, o que significa que houve melhor
classificação por parte do algoritmo. O segundo método apresenta um algoritmo que classifica a
fissura da margem esquerda com um desempenho melhor que na fissura da margem direita.
Aliás era de esperar que este algoritmo classificasse melhor que o do primeiro método, visto que
esse classificava muitos objetos como fissura, em vez de paramento.
Uma das grande limitações de ambos os algoritmos é a presença de sombras e ruído, fazendo
com que haja um grande trabalho prévio antes de se classificarem as imagem. O primeiro
método necessita que seja eliminadas a priori essas descontinuidades e no segundo método
necessita que não hajam diferenças de luminosidade entre épocas, visto que esse facto é
reflectido na imagem das diferenças.
65
Em conclusão, é possível identificar todas as patologias presentes no paramento da barragem,

quer a nível de cobertura geral como a nível das coberturas de detalhe com precisão adequada.
Para este estudo é preferível a utilização do primeiro método pois apresenta melhores resultados
que o segundo.
O facto do algoritmo criado com o primeiro método ter sito bem adaptado ao reservatório de
água é possível concluir que esse método tem a possibilidade de se adaptar a imagens de
fissuras, sendo possível um bom desempenho apenas mudando os limiares das funções de
classificação. Fica em evidencia que esta imagem do reservatório de água teve um desempenho
muito bom devido ao facto do paramento ser de cor claro, apresentando um grande constraste
com a fissura.
É possível exportar a classificação e ser feita uma medição do aumento entre épocas em ambos
os método, concluindo que estes métodos são ideais para a monitorização de fissuras em
crescimento. Quando realizada a medição entre épocas é possível ver um aumento que interessa
para este estudo, tendo em conta os valores dos intervalos que permitem classificar a largura das
fissuras.
Contudo um dos problemas claramente visíveis ao longo do estudo foi a necessidade de se

dispor de imagens nas duas épocas adquiridas na mesma época do ano, para minimizar os
efeitos negativos das diferentes condições de luminosidade. Este facto é de extrema
importância, visto que aplicando o algoritmo a imagens com as mesmas caraterísticas
radiométricas é possível identificar a evolução das patologias sem grandes alterações aos
limiares de corte das funções de classificação do algoritmo.
Finalmente, conclui-se que a IVisA é uma metodologia útil para inspecionar obras de
engenharia, sendo para este estudo possível identificar todas as patologias presentes no
paramento da barragem, quer a nível de cobertura geral quer a nível das coberturas de detalhe
com uma precisão adequada. É um método de fácil utilização, que pode ser conhecido e
aperfeiçoado. Esta metodologia permite acompanhar a evolução das patologias e o estado de
degradação da obra, tomar decisões relativas à sua manutenção, entre outros.
66
6.2. Perspetivas Futuras
Para a criação dos algoritmos foi necessário um grande esforço no que diz respeito às imagens
que iriam ser introduzidas nas aplicações informáticas utilizadas. Um dos grandes contratempos
encontrados foi o facto dasimagens terem sido tiradas em estações do ano diferentes e a horas
diferentes do dia. Isto faz com que as condições de luminosidade não sejam as ideais para a
realização de um trabalho de acompanhamento temporal.
Uma grande parte do pré-processamento foi a procura de formas de contrariar as limitações

provenientes das condições de aquisição para se poder retirar as sombras ou relevos do
paramento encontrados, sendo solucionado para este trabalho um corte da imagem para apenas
se encontrar a zona de detalhe das fissuras.
Sugere-se para épocas futuras que, na aquisição de fotografias, estas sejam obtidas quando o
paramento se encontrar completamente à sombra. Também será possível ser preparada a área de
detalhe em estudo, pintando o paramento para evidenciar a fissura.
A experiência realizada, pela primeira vez, de comparação entre duas épocas para avaliar a
capacidade da IVisA para a monitorização de patologias em paramentos de barragens de betão,
permitiu verificar que os problemas geométricos decorrentes do facto de a infraestrutura de
aquisição de imagens não ser fixa e permanente introduz muitas dificuldades na fase de
processamento que justificam as seguintes recomendações:
- investimento na infraestrutura de aquisição de imagens, que deve ser fixa, ter a possibilidade
de recolher imagens com uma frequência pré-estabelecida e, inclusivamente ter a capacidade de
transferência automática das imagens para um servidor na obra ou remoto;
- preparação prévia da zona a monitorizar, pintando a superfície de branco de modo a aumentar

o contraste entre a fissura e o background.
Estas recomendações são fáceis de implementar na obra e vão ter um grande impacto na rapidez
do processamento e na qualidade dos produtos finais.
67
68
Referências Bibliográficas
Bings Maps (2015) : http://www.bing.com/maps/ acedido em janeiro de 2015
Bonfim,T., Bastos,M. (2012) " Sistema Integrado de Monitoramento Visual de
Subestações de Energis Elétrica" Projeto Piloto da CTEEP – Companhia de
Transmissão de Energia Elétrica Paulista
Bueno, M., Stemmer, M., Borges, P. (2000) "Inspecção Visual Automática de Peças
Cerâmicas via Inteligência Artificial ", Cerâmica Industrial, v.5, n.5 - Programa de Pós-
Graduação em Engenharia Elétrica PPGEEL - UFSC
Bruno,L., Parla,G., Celauro,C. (2011) "Image analysis for detecting aggregate gradation
in asphalt mixture from planar images" Construction and Building Materials, Vol. 28,
Nº1, pp 21–30
Casals-Carrasco, P.,Kubo,S.,BabuB.M,(2000) "Application of Spetral Mixture Analysis for
Terrain Evaluation Studies" International Journal of Remote Sensing, Vol. 21, Nº16, pp
3039-3055
CNPGB (2015) : Comissão Nacional Portuguesa das GrandesBarragens:
http://cnpgb.apambiente.pt/ acedido em janeiro de 2015
Chan, T., Vese,L. "Active Contours Without Edges" Image Processing, IEEE Transactions
on, Vol. 10, Nº. 2, pp. 266–277.
Chen, Z., Derakhshani, R., Halmen, C., Kevern, J. (2011) "A Texture-based Method for
Classifying Cracked Concrete Surfaces from Digital Images using Neural Networks"
Neural Networks (IJCNN), The 2011 International Joint Conference on, pp 2632 - 2637
Chen, ZhiQiang and Tara C. Hutchinson (2010) "Image-Based Framework for Concrete
Surface Crack Monitoring and Quantification" Advances In Civil Engineering, Vol. 2010
Congalton, R.G. e K. Green (2009) "Assessing the accuracy of remotely sensed data:
principles and praticies. CRC Press, 2.ª edição, Boca Raton, Estados Unidos da
América
Doihara,T., Hirono,K. (1992) "Crack Measuring System Based on Hierarchical Image
Processing Technique" Oda Asia Air Survey Co., Ltd., Japão
Douglas J.,(1990) "Evaluating concrete cracking by measuring crack width", Haavik
Consulting Engineer, La Habra, California
Fonseca, A., J.C. Fernandes (2004) "Detecção Remota", Lidel – Edições Técnicas, lda,
Lisboa, Portugal.
Fujita,Y., Mitani,Y., Hamamoto,Y., (2006) "A Method for Crack Detection on a Concrete
Structure", Pattern Recognition, 2006. ICPR 2006. 18th International Conference on ,
Vol. 3 , pp. 901 - 904, Japão
69
Gao, Y. Mas, J.F. (2006) "A Compararison of The Performance of Pixel-Based and
Objet-Based Classifications Over Images with Various Spatial Resolutions", Journal of
Earth Sciences, Vol.2, Nº1, pp. 27-35
Gong, M., L. Jiao, L. Bo, L. Wang and X. Zhang (2008) "Image Texture Classification
Using a Manifold-distance-based Evolutionary Clustering Method" Optical Engineering
Gordan, Mihaela, Ovidiu Dancea, Aurel Vlaicu, Ioan Stoian and Odysseas Tsatos (2008)
– Computer Vision Support Tool for assessing Concrete Hydro-Dams Surface
Deterioration assessment and visualization using fuzzy sets and pseudo-coloring",
Automation, Quality and Testing, Robotics, 2008.IEEE International Conference on,
Vol.3, pp.207 - 212
Jónatas Valença (2011) "Monitorização do Estado de Conservação de Estruturas de
Betão por Processamento de Imagem e Análise Multi-Espetral", Tese de
Doutoramento, Faculdade de Ciências e Tecnologia da Universidade de Coimbra
LNEC(2011) "Memorando sobre a inspeção visual assistida de paramentos de barragens
de betão", Relatório 399/2011 – NGA/DBB.
LNEC (2012a) "Inspeção Visual Assistida por Fotografia Digital: aplicação às encostas da
Barragem de Foz Tua", Relatório 356/2012 – NGA/NFOS
LNEC (2012b) "Barragem do Covão do Meio: Campanha de Referência para a Inspeção
Visual Assistida", Relatório 351/2012 – NGA/DBB.
LNEC (2013) "Aplicação das Técnicas de Inspecção Visual Assistida na Monotorização
de Ensaios de Flexão até à Rotura de Vigas de Madeira", Relatório 453/2013 –
NGA/DBB.
LNEC (2015) "Modelos para Estudo do comportamento das Barragens de
Betão",http://www.lnec.pt/fotos/editor2/DBB/NMMR/modelos_e_metodos.pdf, acedido
em setembro de 2015
L yra, W.,Silva, E., Araújo, M. e Fragoso, W. (2010) " Classificação Periódica: Um
Exemplo Didático para Ensinar Análise de Componentes Principais", Departamento de
Química, Universidade Federal da Paraíba, Brasil
Martins,L. (2013) "Inspeção Visual Automática em Problemas Industriais, Tese de
Mestrado", Instituto Superior Técnico da Universidade de Lisboa
Moreira, A.C (2007) "Comparação da Análise de Componentes Principais e da CATPCA
na Avaliação da Satisfação do Passageiro de uma Transportadora Aérea",
Departamento de Economia, Gestão e Engenharia Industrial Universidade de Aveiro
PCI Geomatics (2012) “Geomatica Help”. PCI Geomatics Enterprises, Inc., Ontário,
Canadá;
Portela, E., A. Berberan, S. de Pinho (2002) – Inspeções Visuais em Barragens de Betão.
Uma abordagem metodológica. Encontro Nacional Betão Estrutural 2002, Lisboa.
70
Portela, E. (2000) "Proposta de uma Metodologia para Sistematização da Informação das

Inspeções Visuais em Barragens de Betão", Relatório 46/00 – NO, LNEC, Lisboa.
Valença, J., D. Dias-da-Costa, E. Júlio e H. Araújo (2011) "Sistema Integrado para
Detectar e Caracterizar Fendas em Superfícies de Betão durante Ensaios
Laboratoriais", Congresso de Métodos Numéricos em Engenharia 2011, Coimbra.
Yamaguchi, T. and S. Hashimoto (2009) "Practical Image Measurement of Crack Width
for Real Concrete Structure", Electronics and Communications in Japan, Vol. 92, No.
10, 2009,Traduzido de Denki Gakkai Ronbunshi, Vol. 127-C, No. 4, Abril 2007, pp.
605–614.
Zhang,W., Zhang,Z., Qi,D., Liu,Y. (2014) "Automatic Crack Detection and Classification
Method for Subway Tunnel Safety Monitoring", Sensors Journal, Vol.14, Nº10,
pp.19307-19328
71
72
Anexos
Tabela 1 – Distância focal da objetiva, distância entre a câmara e o paramento e dimensão do pixel à
escala do objeto das fotografias da cobertura de detalhe
Fotografia Distância Focal (mm) Distância ao objeto (m) Pixelobjeto (mm)

Margem Direita 28 0,403 0,086
Margem Esquerda 28 1,570 0,336
Reservatório de água 50 1,628 0,195
Tabela 2 – Segmentações realizadas para o projeto de isolar o paramento (época de referência e

época1)
Parâmetros de Escala Cor Forma Suavidade Compacidade

Segmentação
Segmentação 100 0,5 0,5 0,9 0,1
1
Segmentação 250 0,5 0,5 0,1 0,9
2
Segmentação 400 0,1 0,9 0,1 0,9
3
Tabela 3 – Limites das funções de classificação para o projeto de isolar o paramento (época 1)
Mosaico Classe Função de Classificação Limiar

Primeira Brilho 144 197
Época Tonalidade (Hue_HSI) 0 0,1152
Densidade - 1,06
Paramento Relative Border - 0,5
GLMC Homogeneidade (45º) 0,0828 0,0923
Distância eixo Y - 229
Área 40000 -
Fora Brilho - 160
Tonalidade (Hue_HSI) 0,1127 1
Rácio_Banda 2 0,3406 1
Tabela 4 – Segmentações realizadas para o projeto de classificação das patologias (época de referência
e época 1)

Segmentação
Segmentação 100 0,5 0,5 0,1 0,9
1
Segmentação 50 0,9 0,1 0,1 0,9
2
Segmentação 30 0,9 0,1 0,5 0,5
3
73
Tabela 5 – Limites das funções de classificação para o projecto de classificação das patologias (época 1)

Primeira GLMC Entropia (all dir) 6,7 8
Época GLMC Homogeneidade (all dir) - 0,1947
Carbonato de Cálcio
Intensidade (Intensity_HSI) 0,075 -
Diferença Máxima - 0,2
Infiltrações Brilho 70 149
Índice de Infiltração 0,72 -
Índice de Infiltração_2 0,5 0,6053
Carbonato de Cálcio GLMC Entropia (all dir) 1,6 -
Intermédio GLMC Homogeneidade (all dir) - 0,818
Distância_Carbonáto de Cálcio 0 50
Infiltrações GLMC Entropia (all dir) 1,6 -
Distância_Infiltrações 0 75
Tabela 6 – Limites das funções de classificação para o projeto de isolar o paramento (época de
referência)
Mosaico Classe Função de Limiar

Classificação
Época de Brilho 130 201
Referência Tonalidade (Hue_HSI) 0 0,1152
Paramento
Assimetria 0,89 -
Area 1200000 -
Fora Brilho 52 130
Tonalidade (Hue_HSI) 0,1 0,1527
Racio_Layer 1 0 0,37
Racio_Layer 2 0,3406 1
Border Index 2,92 2,93
Tabela 7 – Limites das funções de classificação para o projecto de classificação das patologias (época de
referência)

Época de GLMC Entropia (all dir) 6,7 8
Referência GLMC Homogeneidade (all dir) - 0,1947
Carbonato de Cálcio
Intensidade (Intensity_HSI) 0,075 -
Diferença Máxima - 0,2
Infiltrações Brilho 70 149
Índice de Infiltração 0,7312 -
Índice de Infiltração_2 0,5 0,6053
Carbonato de Cálcio GLMC Entropia (all dir) 0,985 -
Distância_Carbonáto de Cálcio 0 130
Infiltrações GLMC Entropia (all dir) 1,6 -
Distância_Infiltrações 0 75
74
Tabela 8 – Restrições para a classificação de objectos vizinhos (época de referência)

Época de Carbonato Cálcio Brilho 148 -
Referência Índice de Infiltração_2 0,625 -
Infiltações Índice de Infiltração_2 - 0,6126
Entropia (all dir) 1,8 -
Tabela 9 – Restrições para a classificação de objectos vizinhos (época de referência)

Época de Carbonato Cálcio Brilho 156 -
Referência Índice de Infiltração_2 0,637 -
Infiltações Índice de Infiltração_2 - 0,637
Entropia (all dir) 5,89 -
Tabela 10 – Funções para a criação da função de classificação PCA_normalizada (1º método da

cobertura de detalhe)
Função de Classificação Limiar

Logaritmo_Brilho 1,325 1,902
Brilho 21,14 74,84
Min-pix-value-L2 13 53
Max-pix-val-L2 43 115
Mean-IN-val-L2 23,71 77,51
Mean-OUT-val-L2 34,40 76,71
Circ-Mean-L2 21,440 94,190
Intensity(HSI) 0,011 0,040
Length-Width 1,000 6,568
Asymmetry 0,075 0,978
Border-index 1,125 3,571
Compatness 1,549 5,219
Density 0,779 2,030
GLCM-Contrast135 738,78 6758,54
GLCM-Entropy135 4,761 8,155
GLCM-StdDev135 42,68 62,13
GLCM-Homog8/11-135 0,281 0,745
Tabela 11 – Segmentações realizadas para o primeiro método de classificação das das fotografias de
detalhe normalizada (realizadas para todas as fotografias de detalhe em estudo)

Segmentação
Segmentação 10 0,9 0,1 0,7 0,3
1
Segmentação 10 0,9 0,1 0,9 0,1
2*
* esqueleto
75
Tabela 12 – Segmentações realizadas para o segundo método de classificação das fotografias de detalhe
(realizadas para todas as fotografias de detalhe em estudo)

Segmentação
Segmentação 5 0,9 0,1 0,9 0,1
1
Tabela 13 – Dimensão do pixel à escala do objeto e erro médio quadrático do mosaico da época 1
Pixelobjeto (m) EMQ (m)

0,015 0,019
Tabela 14 – Erro médio quadrático das fotografias de detalhe
Fotografia Pixelobjeto (mm) EMQ (mm)

Margem Direita 0,086 0,079
Margem Esquerda 0,336 0,291
Reservatório de água 0,195 0,191
76
Artigo submetido na VIII CNCG - VIII Conferência Nacional de

Cartografia e Geodesia. Informação Geoespacial para as Gerações
Futuras - Oportunidades e Desafios.
Inspeção Visual Assistida de Paramentos de Barragens de

Betão
S. Ramos(1), D. Roque(2) ,A. Fonseca(3), A.Navarro (4)

1 Faculdade de Ciências da Universidade de Lisboa (Portugal)
2Laboratório Nacional de Engenharia Civil(Portugal)
3Laboratório Nacional de Engenharia Civil(Portugal)
4Instituto Dom Luiz/Faculdade de Ciências da Universidade de Lisboa (Portugal)
(sararamos091@gmail.com; droque@lnec.pt; anafonseca@lnec.pt,acferreira@fcul.pt)
Palavras-chave: Processamento Digital de Imagem, Inspeção Visual

Assistida
Resumo
A comunicação apresenta um estudo de aplicação de técnicas de
Processamento Digital de Imagens (PDI) à inspeção visual de obras de
engenharia, neste caso particular, o paramento da barragem do Covão do
Meio na Serra da Estrela.
A Inspeção Visual Assistida consiste no levantamento fotográfico e na
monitorização da evolução de patologias através da aplicação de algoritmos
de Processamento Digital de Imagem. O estudo consistiu no processamento
e classificação de várias imagens do paramento da barragem. A
identificação e classificação dos diferentes objetos presentes nas imagens
permitem uma caracterização mais objetiva das patologias do que a
classificação convencional pixel a pixel. Para tal, foi utilizado o software
eCognition que realiza uma análise e classificação orientada por objetos de
imagens numéricas. Os resultados obtidos provaram que, desta forma, é
possível encontrar várias variáveis que permitem identificar e caracterizar
as patologias para que posteriormente seja analisada a sua evolução. Os
resultados obtidos numa 2ª campanha foram comparados com os de uma
campanha de referência, de forma a poder identificar alterações entre as
duas épocas.
As técnicas de PDI utilizadas para este estudo contribuíram para efetuar
uma avaliação da evolução de patologias entre as duas campanhas e
desenvolver uma solução automática para a sua deteção, identificação e
quantificação, assim como um método para a sua monitorização ao longo
do tempo.
77
1. Introdução
A Inspeção Visual Assistida (IVisA) é um método não destrutivo de
monitorização da saúde estrutural da obra. O principal objetivo deste tipo
de monitorização é o desenvolvimento de uma solução automática de
deteção, identificação e quantificação de danos, assim como a sua
monitorização ao longo do tempo (Chen and Tara, 2010). Neste tipo de
inspeção são utilizadas imagens numéricas e geradas representações
digitais 2D do paramento, sobre as quais se realiza a quantificação do dano.
Nestas imagens podem ser detetadas, localizadas, classificadas e
quantificadas anomalias, podendo atingir-se um ou mais destes objetivos
em função dos métodos de aquisição e processamento de imagem
adotados. Numa metodologia de sistematização da informação das
inspeções visuais, proposta no LNEC (Portela, 2000; Portela et al., 2002) as
fissuras são caraterizadas à custa dos parâmetros: localização, extensão,
abertura, desenvolvimento, evolução, orientação e continuidade no bloco.
Neste trabalho, o método da IVisA foi aplicado a fotografias digitais de
paramentos de barragens de betão, tendo sido utilizada como objeto de
estudo a barragem do Covão do Meio, no concelho de Seia. Foram
consideradas uma cobertura fotográfica geral do paramento de jusante e
coberturas de detalhe de fissuras selecionadas. Foi feito um estudo de
comparação dos resultados obtidos no processamento geométrico e na
classificação de fotografias da campanha de aquisição de imagens para
IVisA de outubro de 2011, de referência (época 00) e os resultados de uma
segunda campanha realizada em 2013 (época 01), através de métodos de
Processamento Digital de Imagem. O objetivo é efetuar uma avaliação da
evolução das patologias entre as duas épocas, usando técnicas de deteção
de alterações (change detection) (LNEC,2012a).
Os tipos de anomalias mais importantes a monitorizar são fissuras na
superfície do paramento e repasses. As aberturas de fissuras a monitorizar
são classificadas em intervalos, de 0 a 0,2 mm, de 0,2 mm a 2,0 mm e
superiores a 2,0 mm (LNEC,2011). Outros efeitos associados, tais como
lascagem, percolação, movimento e exsudação, são úteis para a
caracterização do dano e podem também ser identificadas, classificadas e
quantificadas nas imagens. Os repasses são caracterizados pela localização,
orientação, extensão, idade, estado, existência e tipo de depósitos (LNEC,
2011). As metodologias desenvolvidas poderão ser adaptadas à inspeção de
outros órgãos da barragem tais como encontros, parte emersa do
paramento de montante, galerias, maciços de fundação, encostas a
montante e a jusante da barragem (e as estruturas dos órgãos de
segurança e exploração. (LNEC, 2012b)
2. Descrição do Trabalho
2.1 Área de Estudo
A Barragem de Covão do Meio localiza-se no concelho de Seia do distrito da
Guarda em Portugal, tendo entrado em funcionamento em 1953.
É uma barragem de betão com uma parte da estrutura em arco e outra de
gravidade. Possui uma altura de 31,5 m acima da fundação (25 m acima do
terreno natural), um comprimento de coroamento de 300 m e um volume
78
de betão de 9 x 1000 m3. É uma barragem que é utilizada como fonte de

energia e de derivação (CNPGB,2015).
2.2 Aquisição e Processamento geométrico de imagens

O estudo realizado foi dividido em duas fases: análise de imagens de toda a
extensão do paramento da barragem e análise de imagens de detalhe de
fissuras.
Para o estudo da cobertura geral do paramento foram utilizadas fotografias
adquiridas com uma câmara digital Nikon do modelo D200 existente no
LabImagem do LNEC, que pode ser utilizada com objetivas, da marca
Nikkor de diferentes distâncias focais. Para este trabalho foi usada a
objetiva com distância focal de 35 mm. A câmara foi estacionada num pilar
da rede de observação geodésica da barragem situado, aproximadamente,
a 90 m do paramento. As fotografias adquiridas foram utilizadas para a
construção de um mosaico, ou seja, foi construída uma única imagem onde
é visível todo o paramento. Nesta fase foi usado um conjunto de seis
fotografias que abrangiam todo o paramento e que apresentavam
sobreposição entre elas. O processamento foi realizado com o módulo
OrthoEngine do software Geomatica. A Figura 1 ilustra o mosaico final.
. Figura 1 – Mosaico construído com o conjunto de seis fotografias

De seguida foi realizado o corregisto do mosaico da época 01 com o
mosaico construído para época de referência (época 00) com as fotografias
adquiridas a partir do mesmo pilar e com a mesma objetiva. O mosaico da
época de referência foi previamente corregistado com um ficheiro vetorial
do alçado da barragem, associado a um sistema de coordenadas métrico. O
corregisto do mosaico referente à época 01 foi realizado no software ArcGis
10.2 através da identificação de pontos homólogos nos dois mosaicos
Por fim, de modo a verificar a qualidade do corregisto, selecionaram-se 18
pontos de verificação à custa dos quais se determinou o erro médio
quadrático. (Equação 1)
𝐸𝑀𝑄 =
( 𝑥 𝑑𝑖𝑎 0 − 𝑥 𝑑𝑖𝑎 1 2 + 𝑦 𝑑𝑖𝑎 0 − 𝑦 𝑑𝑖𝑎 1 2 )
𝑛 −1
(1)
Onde xdia0 e ydia0 são referentes à época de referência e xdia1 e ydia1 à época
01. O controlo de qualidade deu origem a um EMQ de 19 milímetros,
inferior da dimensão do píxel, à escala do objeto, como seria desejável
79
Para a identificação e monitorização de fissuras de forma mais detalhada, a

resolução espacial das fotografias da cobertura geral do paramento da
barragem é insuficiente. Para tal foram adquiridas novas fotografias com a
câmara estacionada num tripé que se posicionou a curta distância do
paramento da barragem. Para esta análise foram fotografadas fissuras que
se encontravam próximas dos encontros com as margens, tendo sido
anotada a distância a que se estacionou o tripé, o que permitiu o cálculo
doa dimensão dos pixéis nas fotografias. A imagem da margem direita
tinha resolução espacial, no objeto, de 0,086 milímetros e a da margem
esquerda 0.33 milímetros.
À semelhança do trabalho realizado para a cobertura geral, as fotografias
da cobertura de detalhe foram corregistadas com as fotografias adquiridas
na campanha de referência, de modo a realizar o estudo da evolução de
cada fissura. Nesta fase tornou-se extremamente importante o facto de se
associar um sistema de coordenadas às fotografias, etapa necessária para a
medição das alterações, entre épocas, verificadas entre as duas épocas.
Para tal foi calculada a diferença entre as imagens, usando o módulo Minus
do ArcGis,de modo a obter uma imagem com a evolução de cada fissura.
2.3. Processamento radiométrico de imagens
Foi possível visualizar, à priori, várias patologias como infiltrações e
manchas de carbonato de cálcio no mosaico construído. Neste caso o
principal objetivo foi a deteção das patologias com maior dimensão que a
resolução espacial das fotografias utilizadas para cada cobertura.
O objetivo final deste estudo é dispor de um algoritmo de fácil utilização
para uma classificação automática das patologias nas imagens do
paramento. O algoritmo realiza o processamento em duas fases: (1) uma
segmentação orientada por objetos das imagens e (2) uma classificação dos
objetos em função do tipo de patologia. Depois de construído o algoritmo,
este foi aplicado às coberturas fotográficas da época de referência e da
época 01, tendo sido adaptados os limiares das funções de classificação, de
acordo com a radiometria de cada imagem.
Nesta fase do trabalho foi utilizado o eCognitionDeveloper 8
(TrimbleNavigation). Este software realiza, numa primeira fase, a
segmentação de imagens em objetos. O software aglutina os píxeis em
objetos, em função de critérios previamente estabelecidos, gerando
polígonos que delimitam os objetos, sendo estes posteriormente
classificados. Um dos parâmetros fixados é a escala da segmentação, que
está relacionada com a variabilidade máxima de valores radiométricos
admitidos no interior de cada objeto. A cor e a forma são também
parâmetros de grande relevância, sendo complementares entre si: uma
segmentação em que seja atribuído um peso elevado à cor, terá,
obrigatoriamente, um peso baixo para a componente relacionada com a
forma. Esta última pode ainda ser dividida em duas propriedades: a
suavidade, apropriada para gerar objetos com ramificações, e a
compacidade, que permite a formação de objetos compactos quando lhe é
dado um peso elevado (LNEC,2012b).
É possível realizar novas segmentações a partir de segmentações prévias,
ou seja, após uma segmentação é possível agregar ou dividir os objetos
segundo um novo fator de escala. Foi este o procedimento que se utilizou
para obter uma segmentação adequada para se classificar os mosaicos da
80
cobertura geral nas duas épocas. O software fornece uma lista alargada de
funções de classificação que utilizam a radiometria, a forma, a textura e as
relações de vizinhança entre objetos de forma a poder atribui-los às classes
pré-estabelecidas (tipos de patologias).
Foi realizada uma segmentação de forma a separar rocha e vegetação do
resto do paramento, com uma escala 100, onde se deu igual peso à cor e
forma, mas mais peso à compacidade. Para agrupar os objetos que se
encontravam demasiado divididos, foram realizadas duas segmentações
com fatores de escala superiores, que, juntamente com funções de textura
e de radiometria permitiram isolar o paramento da barragem.
O método desenvolvido para a classificação de patologias foi aplicado
apenas aos objetos já identificados como paramento. Estes objetos foram
segmentados com uma escala inferior para detetar os objetos menores que
representam as patologias de pequena dimensão e foi atribuído um peso
elevado à cor e à suavidade, tendo em vista a deteção de objetos com
forma pouco compacta, como são a maioria das patologias visíveis no
mosaico da cobertura geral (LNEC,2012b). Depois de terem sido
identificadas as funções de classificação de tonalidade e do rácio entre a
banda verde e o somatório de todas as bandas para a identificação da
tipologia das patologias foi necessário realizar alguma edição manual para
eliminar algum ruído resultante do processo de classificação.
Um dos principais problemas na aplicação ao mosaico da época 01 do
algoritmo de classificação utilizado no mosaico da época de referência, é o
facto de as fotografias terem sido adquiridas com diferentes condições de
iluminação, tendo sido necessário ajustar os diversos limiares de corte das
funções, nomeadamente nas funções brilho (Brightness) e tonalidade (Hue).
No processamento radiométrico das fotografias de detalhe foram utilizados

dois métodos de comparação entre épocas: (1) um método que classifica os
objectos com o auxílio de uma imagem binária do esqueleto da fissura e (2)
um método que utiliza a imagem da diferença entre épocas para atualizar o
contorno da fissura obtido para a época de referência.
Para o primeiro método foram usadas as fotografias das fissuras próximas

dos encontros da barragem com as margens. Para poder ter uma forma de
confirmar a desempenho do algoritmo foram realizados testes numa
terceira fotografia, com as mesmas características e resolução de 0.19
milímetros, da parede de um depósito de água do Município do Seixal.
Nesta tinha sido previamente delineada com sucesso uma fissura, que foi
utilizada como informação de controlo.
O primeiro método de classificação foi desenvolvido para a fissura localizada

no encontro da margem direita e foi posteriormente aplicado à fotografia
situada no encontro da margem esquerda.
Selecionadas as funções de classificação que melhor isolavam a fissura em
questão, registaram-se os valores destas funções para alguns objetos
pertencentes às classes que se pretende diferenciar. Os valores dos limites
de corte foram inseridos num programa em MATLAB, desenvolvido no LNEC,
que utiliza a Análise por Componentes Principais (ACP) para calcular os
novos limiares. Verificou-se que a primeira componente principal permitia
81
uma boa separação entre os objetos das várias classes. Por isso, foi
construída uma nova função de classificação no eCognition correspondente
a essa componente principal, tendo sido calculado o seu valor para todos os
objetos da imagem, possibilitando, assim, a identificação de todos os
objetos de fissura. Um dos fatores positivos desta nova função de
classificação consiste na sua aplicabilidade às restantes fotografias de
fissuras, sendo apenas necessário o ajuste dos seus limares de corte.
Figura 2 – Variável PCA_normalizada para a fissura do encontro da margem esquerda.
Na Figura 2 está ilustrada a função de classificação PCA_normalizada (ACP

normalizada) aplicada para a imagem da fissura do encontro da margem
esquerda onde os valores perto do valor -0.18 estão coloridos a azul e os
valores superiores a verde.
Como o algoritmo de classificação, apesar de otimizado, deu origem a uma
classificação com algum ruído, foi desenvolvido um procedimento de pós
processamento para resolver o problema. Foi gerada em MATLAB uma
imagem binária do esqueleto da fissura que, por interseção com o resultado
da classificação permitiu identificar os objetos classificados como fissura,
que pertenciam na realidade à fissura, eliminando assim o ruído.
É possível visualizar, na Figura 3, que também foram identificados
elementos de betão que se encontravam a volta da fissura. Isto deve-se ao
facto da criação do esqueleto para esta fissura também envolver esses
pormenores, ficando com uma classificação ainda com ruído.
82
Figura 3 – Primeiro método de classificação (Fissura no encontro da margem

esquerda)
Foi possível aplicar o algoritmo para as restantes imagens das fissuras,
sendo preciso ajustar os limiares da função de classificação
PCA_normalizada.
No segundo método, foi utilizada a imagem da diferença entre épocas
gerada no ArcGis. Este método parte do pressuposto que entre as duas
épocas houve alterações, logo a imagem da diferença permite identificar os
objetos com alterações e adicioná-los aos polígonos das fissuras respetivas
identificadas na época de referência.
Este algoritmo foi construído com uma segmentação da imagem que ilustra
a área de estudo, sendo necessário inicialmente classificar a fissura da
época de referência, por exemplo através do método anterior, para de
seguida serem adicionados os objetos da diferença. Na Figura 4 é possível
visualizar os objetos da diferença.
Figura 4 – Imagem de diferenças entre épocas gerada para a fissura do encontro

da margem esquerda
83
Foi imposta uma restrição de apenas classificar os objetos que se

encontrem junto ao contorno da primeira época. Como passo final do
algoritmo, os objetos tanto da fissura na primeira época como da diferença
são agregados numa classe intitulada de "fissura da segunda época".
O algoritmo foi aplicado à imagem da fissura presente no encontro da
barragem com a margem esquerda, sendo também necessária a alteração
dos limiares da função de classificação das diferenças. Na Figura 5 é
possível visualizar o resultado final.
Figura 5 – Segundo método de classificação (Fissura do encontro da margem

direita)
Foi também possível aplicar o algoritmo à imagem da fissura presente no
encontro da barragem com a margem direita, sendo preciso, como no
primeiro método, alterar os limiares da função de classificação das
diferenças.
3. Resultados e Conclusões
Para avaliar a fiabilidade dos métodos propostos foi realizada uma avaliação
da qualidade dos resultados da classificação/identificação das fissuras, à
custa de uma matriz de confusão para cada classificação. A matriz é
construída à custa de amostras de objetos conhecidos (colunas) que são
comparados com a classe que o algoritmo atribuiu a cada objeto (linhas).
Para a construção da matriz foi preciso gerar um número de polígonos.
Desta forma e consoante a "regra de ouro" (Congalton and Green,(2009)) é
necessário um mínimo de 50 amostras para cada uma das classes
identificadas (neste caso, Infiltrações e Carbonato de Cálcio). No entanto
para o paramento foi preciso aumentar este número visto que as 50
amostras (polígonos) não cobriam toda a área de interesse. Com o mesmo
raciocínio foram escolhidos entre 30 a 50 polígonos nas imagens de detalhe,
consoante a extensão da fissura.
A partir da matriz de confusão foram calculadas diversas medidas de
qualidade como a precisão do produtor, a precisão do utilizador, o erro de
comissão e o de omissão e por fim, o coeficiente kappa de concordância. A
análise das medidas de avaliação retiradas da matriz de confusão, permite
concluir que não existe uma grande discrepância na classificação entre
épocas (Quadro 1).
84
Quadro 1 – Avaliação da precisão: Precisão do Produtor, do Utilizador e coeficiente

Kappa.
Precisão Precisão Precisão
Coeficiente
Imagem Produtor Utilizador Global
Kappa (%)
(%) (%) (%)
Mosaico época 82.8
79.9 81.5 64.8
referência
Mosaico 2ª época 80.5 82.3 83.0 69.4
Detalhe margem 93.4
93.5 93.5 87.0
direita - 1º método
Detalhe margem 86.1
esquerda - 1º 84.9 73.5 54.6
método
Detalhe Seixal 91.4 91.4 94.0 82.8
Detalhe margem 79.7
94.6 80.0 86.3
direira - 2º método
Detalhe margem 92.7
esquerda - 2º 89,3 89,3 78.7
método
A análise das medidas de avaliação retiradas da matriz de confusão,

permite concluir que a classificação dos mosaicos do paramento da
barragem é menos eficiente do que a classificação das imagens de detalhe,
facto evidenciado pelos valores da precisão do produtor e do utilizador e
pelo baixo valor do coeficiente kappa.
A comparação dos dois métodos de classificação das imagens de
detalhe,permitiu concluir que o 2º método gera melhores resultados, fato
este evidenciado pelo baixo valor do coeficiente kappa (54.6%), resultante
da aplicação do primeiro método à imagem da fissura no encontro da
barragem com a margem esquerda. Tal deve-se ao facto de existir muito
ruído à volta da fissura, o que torna difícil conseguir isolar somente a fissura
em questão.
Em conclusão, é possível identificar todas as patologias presentes no
paramento da barragem, quer a nível de cobertura geral quer a nível das
coberturas de detalhe com uma precisão adequada.
Neste estudo concluiu-se que é preferível a utilização do segundo método
pois apresenta melhores resultados que o primeiro. Desta forma, foi
possível efetuar a medição da evolução da fissura, por exemplo na sua zona
intermédia, notando-se um aumento de aproximadamente 2.5 milímetros
como se pode visualizar na Figura 6.
85
Figura 6 – Medição do crescimento da fissura do encontro da margem direita

Um dos problemas claramente sentidos ao longo deste estudo foi a
necessidade de se dispor de imagens nas duas épocas que fossem
adquiridas na mesma época do ano, bem como no mesmo período do dia,
para minimizar os efeitos negativos das diferentes condições de
luminosidade. Este facto é de extrema importância, visto que aplicando o
algoritmo a imagens com as mesmas caraterísticas radiométricas é possível
identificar a evolução das patologias sem grandes alterações aos limiares de
corte das funções de classificação do algoritmo.
Referências Bibliográficas
Chen, ZhiQiang and Tara C. Hutchinson (2010) – Image-Based Framework
for Concrete Surface Crack Monitoring and Quantification. Advances In Civil
Engineering. Hindawi Publishing Corporation, Volume 2010, Article ID
215295, 18 Pages Doi:10.1155/2010/215295.
Comissão Nacional Portuguesa das Grandes Barragens, CNPGB (2015) -
http://cnpgb.apambiente.pt/
Congalton,R.,Green,K., (2009) -Assessing the Accuracy of Remotely Sensed
Data Principles and Practices,Second Edition
LNEC (2011). – “Memorando sobre a inspeção visual assistida de
paramentos de barragens de betão”. Relatório LNEC N.º 399/2011 –
NGA/DBB, Laboratório Nacional de Engenharia Civil, Lisboa
LNEC (2012a). – “Inspeção Visual Assistida por Fotografia Digital: aplicação
às encostas da Barragem de Foz Tua”. Relatório LNEC N.º 356/2012 –
NGA/NFOS, Laboratório Nacional de Engenharia Civil, Lisboa.
LNEC (2012b). - “Barragem do Covão do Meio: Campanha de Referência
para a Inspeção Visual Assistida”. Relatório LNEC N.º 351/2012 – NGA/DBB,
Laboratório Nacional de Engenharia Civil, Lisboa.
Portela, E., A. Berberan, S. de Pinho (2002) – Inspeções Visuais em
Barragens de Betão. Uma abordagem metodológica. Encontro Nacional
Betão Estrutural 2002, Lisboa.
Portela, E. (2000) – Proposta de uma Metodologia para Sistematização da
Informação das Inspeções Visuais em Barragens de Betão. Relatório 46/00
– NO, LNEC, Lisboa.
86

Ulfc117349 - TM - Sara - Ramos 2 PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Ulfc117349 - TM - Sara - Ramos 2 PDF

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE DE LISBOA

Inspeção Visual Assistida de Paramentos de Barragens de

Mestrado em Engenharia Geográfica

Sara Raquel Chantre Ramos

Dissertação orientada por:

PALAVRAS-CHAVE: Processamento Digital de Imagem, Classificação orientada por

KEYWORDS: Digital Image Processing, Object Based Image Analysis, Cracks,

À Professora Ana Navarro, agradeço a sua orientação e especialmente a deslocação ao LNEC

O meu profundo e sentido agradecimento a todas as pessoas que contribuíram de qualquer

Figura 3.1 - Diagrama da multi segmentação (adaptado de manual do eCognition

Figura 5.4 - Classificação dos objetos presentes no paramento: a laranja encontra-se

PDI - Processamento Digital de Imagem

IVisA - Inspeção Visual Assistida

EMQ - Erro Médio Quadrático

ACP - Análise por Componentes Principais

OBIA - Object Based Image Analysis

ETRS89 – European Terrestrial Reference System 1989

O betão é o material mais usado em todas as construções da civilização moderna. O facto de

O Laboratório Nacional de Engenharia Civil (LNEC) faz investigação no âmbito do controlo de

A Inspeção Visual Assistida (IVisA) de paramentos de barragens é um método não destrutivo de

O objetivo do estudo realizado é avaliar a capacidade do método IVisA para monitorizar

Neste trabalho, o método da IVisA foi aplicado a fotografias digitais de paramentos de

De modo a testar a aplicabilidade do algoritmo foi testado um dos métodos de classificação a

1.3. Estrutura da Dissertação

Esta dissertação está organizada em 6 capítulos, divididos em vários subcapítulos.

No primeiro capítulo é descrito o âmbito da dissertação e o enquadramento do estudo. É

No quinto capítulo são apresentados os resultados do processamento geométrico utilizado, bem

Na parte final da dissertação encontram-se as referências bibliográficas que contêm referências

Doihara e Hirono (1992) descrevem um protótipo de um sistema computacional de deteção e

Para a delimitação de fissuras foram também adaptados algoritmos sofisticados baseados na

Da mesma forma em Valença et al (2011) é apresentado um método desenvolvido em

Yamaguchi e Hashimoto (2009) propõem um método automático de deteção de fissuras de

Posteriormente é realizada uma esqueletização da imagem, ou seja um adelgaçamento, de forma

3.1. Inspeção Visual Assistida

O LabImagem do Núcleo de Geodesia Aplicada do Departamento de Barragens de Betão do

3.2. Análise de Imagens Orientada por Objetos

A OBIA utiliza informação espetral, estrutural, contextual e do domínio espacial para a

Figura 3.1 - Diagrama da multi segmentação (adaptado de manual do eCognition (2012))

3.3. Análise por Componentes Principais

A ACP é ótima para a eliminação da redundância na identificação de certos conjuntos e

3.4. Validação de Resultados

Nesta validação é gerada uma amostra completamente aleatória de forma a se avaliar a

𝑛 𝑘𝑖=1 𝑛 𝑖𝑖 − 𝑘𝑖=1 𝑛 𝑖+ 𝑛 +𝑖 𝑇∗𝑆−𝑀

onde, na primeira expressão n é a variável representada por T na segunda expressão e descreve

4.1. Área de Estudo

A Barragem de Covão do Meio localiza-se no concelho de Seia do distrito da Guarda em

Figura 4.1 - Localização da Barragem de Covão do Meio, adaptada de Bing Maps)

Figura 4.2 - Barragem Covão do Meio (imagem tirada de CNPGB, 2015)

4.2. Dados e Aplicações Informáticas Utilizadas

4.2.1. Fotografias da Cobertura Geral do Paramento

Figura 4.3 - Fotografias da cobertura geral do paramento da barragem

4.2.2. Fotografias de Detalhe do Paramento

Para a identificação e monitorização de fissuras de forma mais detalhada, a resolução espacial

Figura 4.4- Molduras das Fissuras em estudo (dimensões A3 e A4 respetivamente)

Para poder confirmar o desempenho do algoritmo desenvolvido para o paramento de barragens,

Figura 4.5 - Fissura localizada num reservatório de água

4.2.3. Aplicações Informáticas Utilizadas

4.3. Processamento Geométrico

Para as fotografias de cobertura geral, constitui na criação de um mosaico, ou seja, um imagem

4.3.1. Cobertura Geral

Figura 4.6 - Pontos de controlo posicionados no paramento

Figura 4.7 - Mosaico construído com o conjunto de 6 fotografias

De seguida, foi realizado o corregisto do mosaico da época 1 relativamente ao mosaico